文献

J-GLOBAL ID：201802266398987255   整理番号：18A1648390

教師なし特徴選択のための低ランク構造保存【JST・京大機械翻訳】

Low-rank structure preserving for unsupervised feature selection

著者 (6件)： Zheng Wei (School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing 210094, PR China) ,  Zheng Wei (School of Computer Engineering, Jinling Institute of Technology, Nanjing 211169, PR China) ,  Xu Chunyan (School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing 210094, PR China) ,  Yang Jian (School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing 210094, PR China) ,  Gao Junbin (Discipline of Business Analytics, University of Sydney Business School, Universtiy of Sydney, NSW 2006, Australia) ,  Zhu Fa (School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing 210094, PR China)
資料名： Neurocomputing  (Neurocomputing)
巻： 314  ページ： 360-370  発行年： 2018年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 教師なし特徴選択は,クラスラベルを必要としないので,機械学習とパターン認識に広く適用されてきた。一般的な教師なし特徴選択法の大部分は,様々な形式の再構成に焦点を合わせ,低い寄与で特徴を捨てることにより再構成残差を最小化する。しかしながら,サンプル構造情報が選択された特徴を制約するために実質的に利用されないので,それらは複数の部分空間におけるデータ分布を効果的に保存することができない。本論文では,この欠点に対処するために,教師なし特徴選択(LRPFS)のための低ランク構造保存法を提案した。選択された特徴から成るデータ行列は,部分空間構造を保存するために低ランク制約によって学習される辞書として仮定される。一方,著者らはさらに,冗長性特徴を取り除くためにスパースペナルティを活用して,このように,固有構造を有する識別特徴を得た。このようにして,サンプル分布は,識別特徴を使用することによって,より正確に低ランク制約によって保存することができた。次に,微細化サンプル構造はより代表的な特徴の選択を促進する。著者らの方法の有効性は,理論的および実験的結果の両方によって支持される。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 残差 ,  ペナルティ ,  機械学習 ,  パターン認識 ,  再構成 ,  精密化 ,  冗長性 ,  *特徴選択
準シソーラス用語： 部分空間 ,  選択法 , 【Automatic Indexing@JST】

著者キーワード (4件)： 低ランク ,  教師なし学習 ,  特徴選択 ,  辞書学習

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 教師 ,  特徴選択 ,  保存