面向高效无监督特征选择的定向稀疏张量主成分分析
机器学习
2025-07-04 v3
摘要
最近, 将张量分解技术引入无监督特征选择( UFS)已成为一个日益受到关注的研究主题。张量结构有利于挖掘不同模式之间的关系,有助于减轻计算负担。然而,虽然现有方法利用张量分解来保留数据张量结构,但未考虑数据取向的影响,因此在处理取向相关数据(如时间序列)时难以胜任。为解决上述问题,本文基于* M乘积(T-SVDM)中的取向相关张量-张量乘积,并将一维稀疏主成分分析( SPCA)扩展为张量形式。 proposed稀疏张量主成分模型可在指定模式上约束稀疏性,生成稀疏张量主成分,增强特征关系学习的灵活性和准确性。为确保快速收敛和灵活的特征相关性描述,我们开发了专为通用无监督特征选择任务设计的凸版本,并提出一种在变换域中进行双优化的高效分片逐层算法。实验结果表明,在多样化的张量数据结构上,本文的方法在状态-of-the-art方法之上展现出有效性和显著的计算效率。当变换轴与特征分布模式对齐时,本方法在各种应用中都有前景。与本文提出的方法及实验相关的代码已提供于 https://github.com/zjj20212035/STPCA.git。
引用
@article{arxiv.2407.16985,
title = {Orientation-Aware Sparse Tensor PCA for Efficient Unsupervised Feature Selection},
author = {Junjing Zheng and Xinyu Zhang and Weidong Jiang and Xiangfeng Qiu and Mingjian Ren},
journal= {arXiv preprint arXiv:2407.16985},
year = {2025}
}