用于无监督多视图特征选择的自适应协同相似度学习
信息检索
2019-04-26 v1 机器学习
摘要
在本文中，我们研究无监督多视图特征选择的研究问题。传统方案首先简单地将多个预先构建的视图特定相似度结构组合为一个协同相似度结构，然后执行后续的特征选择。这两个过程是分离且独立的。协同相似度结构在特征选择过程中保持固定。此外，简单的无向视图组合可能不利地降低最终用于特征选择的相似度结构的可靠性，因为视图特定的相似度结构通常包含噪声和离群项。为缓解这些问题，我们提出一种用于多视图特征选择的自适应协同相似度学习（ACSL）。我们提出动态学习协同相似度结构，并将其与最终的特征选择集成到一个统一框架中。此外，设计了一个合理的秩约束以自适应地学习具有适当相似度组合权重和理想邻域分配的协同相似度结构，二者均可积极促进特征选择。推导出一种保证收敛（已证明）的有效求解方法来迭代处理所公式化的优化问题。实验证明了所提方法的优越性。
引用
@article{arxiv.1904.11228,
title = {Adaptive Collaborative Similarity Learning for Unsupervised Multi-view Feature Selection},
author = {Xiao Dong and Lei Zhu and Xuemeng Song and Jingjing Li and Zhiyong Cheng},
journal= {arXiv preprint arXiv:1904.11228},
year = {2019}
}