抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
特徴選択は,大量の固有知識を失うことのない高次元画像データ分析の重要な前処理工程となってきた。Fisher判別分析(FDA)とCCA(CCA)のアイデアを導入することによって,本論文は,サンプルに分類ラベルを付けた監督された特徴選択問題を考察して,LPMVFと呼ばれるマルチ映写ベクトルFisher判別分析アルゴリズムを保つ新しいローカル性を提案した。LPMVFは記述にオリジナルデータのローカル構造を考慮するため,マルチ様式サンプルデータを適切に組込むことができたる。新しい指針を定義することによって,LPMVFは以下の優位性を有する。1)LPMVFは容易に計算することができ,単数形問題を避けることができる。2)LPMVFは,カーネルトリックを採用することによって,非線形特徴選択シナリオに容易に拡張することができる。3)CCAと同様に,LPMVFは,異なる分類の2つの多変量データセット用の2セットの基底ベクトルを見つけようとし,1分類につき1セットを見つけようとして,見つけた埋込み空間の中の1セットの有用な特徴の上にオリジナルデータを映すことができ,分類とパターン認識にとって便利である。4)ローカルFisher判別分析(LFDA)の場合と同様に,LPMVFはデータポイント間のローカル相関関係を保つことができる。5)ほとんどの場合,LPMVF解法の学習性能が,古典的FDAアルゴリズム,KFDアルゴリズム,およびLFDAアルゴリズムの学習性能を上回る。著者らは,広範囲な可視化処理と分類処理によって,LPMVFの実現可能性と有効性を確かめた。ベンチマークデータセットに関する実験結果は,LPMVFとその非線形拡張アルゴリズムが,良好な特徴を抽出することができ,分類ラベルを事前知識として導入することによって精度を有効に改善することを示した。Data from the ScienceChina, LCAS. Translated by JST