用于有监督张量子空间学习的共模模式方法
机器学习
2019-02-07 v1 机器学习
摘要
在这项工作中，我们提出一种在二分类框架下降低张量对象维度的方法。所提出的共模模式 (Common Mode Patterns, CMP) 方法考虑了标签信息，并确保属于不同类别的张量对象在降维后不共享共同特征。我们使用公开的高光谱成像数据集，通过实验验证了该有监督子空间学习技术，并与多线性主成分分析 (Multilinear Principal Component Analysis) 进行比较。实验结果表明，所提出的 CMP 方法能够有效降低张量对象的维度，同时提高类间可分离性。
引用
@article{arxiv.1902.02075,
title = {Common Mode Patterns for Supervised Tensor Subspace Learning},
author = {Konstantinos Makantasis and Anastasios Doulamis and Nikolaos Doulamis and Athanasios Voulodimos},
journal= {arXiv preprint arXiv:1902.02075},
year = {2019}
}
备注
To be presented in IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2019)