文献

J-GLOBAL ID：202202255252941948   整理番号：22A1086629

制約付きl_2,0ノルムおよび最適化グラフによる教師なし特徴選択【JST・京大機械翻訳】

Unsupervised Feature Selection With Constrained l2,0-Norm and Optimized Graph

著者 (5件)： Nie Feiping (School of Computer Science, Northwestern Polytechnical University, Xi’an, China) ,  Dong Xia (School of Computer Science, Northwestern Polytechnical University, Xi’an, China) ,  Tian Lai (School of Computer Science, Northwestern Polytechnical University, Xi’an, China) ,  Wang Rong (Center for OPTical IMagery Analysis and Learning (OPTIMAL), Northwestern Polytechnical University, Xi’an, China) ,  Li Xuelong (School of Computer Science, Northwestern Polytechnical University, Xi’an, China)
資料名： IEEE Transactions on Neural Networks and Learning Systems  (IEEE Transactions on Neural Networks and Learning Systems)
巻： 33  号： 4  ページ： 1702-1713  発行年： 2022年 
JST資料番号： T0881A  ISSN： 2162-237X  CODEN： ITNNEP  資料種別： 逐次刊行物 (A)
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： 本論文では,制約付きl_2,0ノルム(列スパース制約付き)および最適化グラフ(RSOGFS)による教師なし特徴選択と名付けた新しい特徴選択アプローチを提案し,2段階プロセスを独立に実行することの代わりに,特徴選択および類似性行列構築を一般的フレームワークに統一した。したがって,データの局所多様体構造を保存する類似性マトリックスを適応的に決定することができた。スパース学習ベース特徴選択法とは異なり,スパース性正則化項を目的関数に導入することにより,緩和または近似問題を解けるだけで,提案方法は,グループ特徴選択を達成するために,元のl_2,0ノルム制約問題に直接取り組む。元のスパース制約問題を解くために2つの最適化戦略を提供した。新しいアルゴリズムに対する収束と近似保証を厳密に証明し,計算量とパラメータ決定を理論的に解析した。実世界データ集合に関する実験結果は,非凸問題を解くための提案方法が,緩和または近似凸問題を解くための最先端技術よりも優れていることを示した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *最適化 ,  多様体 ,  学習 ,  近似法 ,  *特徴選択 ,  計算量 ,  目的関数 ,  正則化 ,  凸形 ,  類似性 ,  性質 ,  *ノルム
準シソーラス用語： スパース性 , 【Automatic Indexing@JST】

分類 (3件)： 信号理論  (ND02020G) ,  図形・画像処理一般  (JE04010I) ,  数値計算  (JE02000J)

タイトルに関連する用語 (6件)： 制約 ,  ノルム ,  最適化 ,  グラフ ,  教師 ,  特徴選択