用于识别类别判别子空间的迭代相关矩阵分析（IRMA）
机器学习
2024-01-24 v1
摘要
我们引入并研究了广义矩阵学习向量量化的迭代应用，用于分类问题中的特征相关性分析以及类别判别子空间的构建。所提出的迭代相关矩阵分析（IRMA）使用广义矩阵学习向量量化（GMLVQ）来识别代表所考虑数据集分类特定信息的线性子空间。通过迭代地确定一个新的判别子空间，同时投影掉所有先前识别出的子空间，可以找到一个包含所有类别特定信息的组合子空间。这有助于对特征相关性进行详细分析，并能够改进标记数据集的低维表示和可视化。此外，基于IRMA的类别判别子空间可用于降维和训练具有潜在改进性能的鲁棒分类器。
引用
@article{arxiv.2401.12842,
title = {Iterated Relevance Matrix Analysis (IRMA) for the identification of class-discriminative subspaces},
author = {Sofie Lövdal and Michael Biehl},
journal= {arXiv preprint arXiv:2401.12842},
year = {2024}
}
备注
17 pages, 5 figures, 1 table. Submitted to Neurocomputing. Extension of 2023 ESANN conference contribution