基于CUR矩阵分解的联合主动学习与特征选择
机器学习
2018-09-11 v4
摘要
本文提出一种用于同步样本和特征选择的无监督学习方法，这与现有主要单独解决这两个问题的工作形成对比。实际上，这两个任务经常相互交织：噪声和高维特征会给样本选择带来不利影响，而信息丰富或具代表性的样本则有益于特征选择。具体地，我们提出一个基于CUR矩阵分解联合进行主动学习和特征选择的框架。从数据重构视角，所选样本和特征可以分别最佳近似原始数据集，从而使得由这些特征刻画的所选样本极具代表性。特别地，我们的方法一次性运行，无需渐进式标注的迭代样本选择过程。因此，我们的模型尤其适用于标注样本很少甚至无监督的情况，这对现有方法而言是特殊挑战。由于联合学习问题是NP难的，所提公式涉及一个凸但非光滑的优化问题。我们通过迭代算法高效求解，并证明其全局收敛。在公开数据集上的实验结果证实了我们的方法与最先进方法相比的有效性。
引用
@article{arxiv.1503.01239,
title = {Joint Active Learning with Feature Selection via CUR Matrix Decomposition},
author = {Changsheng Li and Xiangfeng Wang and Weishan Dong and Junchi Yan and Qingshan Liu and Hongyuan Zha},
journal= {arXiv preprint arXiv:1503.01239},
year = {2018}
}
备注
Accepted by T-PAMI