面向二维相关分析的完备判别张量表示学习
机器学习
2021-03-02 v1
摘要
作为二维数据分析的有效工具，二维典型相关分析（2DCCA）不仅能够保留原始二维（2D）数据的内在结构信息，还能有效降低计算复杂度。然而，由于其无监督性质，2DCCA无法提取充分的判别表示，导致性能不佳。在本文中，我们提出一种基于线性相关分析的完备判别张量表示学习（CDTRL）方法用于分析2D信号（如图像）。本文表明，完备判别张量表示策略的引入为揭示和提取跨2D数据集的判别表示提供了有效手段，从而取得改进结果。实验结果表明，所提出的CDTRL在评估数据集上优于最先进的方法。
引用
@article{arxiv.2103.00367,
title = {A Complete Discriminative Tensor Representation Learning for Two-Dimensional Correlation Analysis},
author = {Lei Gao and Ling Guan},
journal= {arXiv preprint arXiv:2103.00367},
year = {2021}
}