文献

J-GLOBAL ID：201702213623559142   整理番号：17A1397737

局所構造学習を用いた教師なしスペクトル特徴選択【Powered by NICT】

Unsupervised Spectral Feature Selection with Local Structure Learning

著者 (6件)： Zhang Shichao ,  Fang Yue ,  Lei Cong ,  Li Yangding ,  Hu Rongyao ,  Li Yonggang
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICBK  ページ： 303-308  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 処理する必要がある多くのunlabeld高次元データであるため,伝統的な教師なし特徴選択は機械学習領域における重要かつ挑戦的課題となっている。選択された特徴は高レベルの学習構造に依存するグラフ行列は通常慣行に埋め込まれた教師なし手法で構成されている。それにもかかわらず,実生活のデータは通常支持が元のデータにより生成されたグラフ行列するノイズサンプルと冗長な特徴の多くを含んでいる。グラフ行列は,高次元データを分類するための信頼できるする新しい特徴選択アルゴリズムを設計した。局所構造学習と特徴選択を同時にグラフ行列を決定する適応的に採用した。グラフ行列を制約することによってより多くの利用可能なデータ構造情報を含むグラフ行列可能とし,その結果,試料間の局所構造を維持するためにグラフ行列学習を使用し,提案した方法は,重要な特徴を選択することができる。さらに,問題を最適化するための効率的反復更新法を導出した。広範な実験結果は,提案した方法は,最も識別力のある特徴を選択し,最良の分類性能,競合法に比べて達成できることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： グラフ行列 ,  アルゴリズム ,  *学習 ,  *特徴選択 ,  データ構造 ,  機械学習 ,  最適化
準シソーラス用語： 高次元データ ,  スペクトル特徴 ,  *局所構造 , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 局所構造 ,  学習 ,  教師 ,  スペクトル特徴