用于分类的监督流形学习的样本外泛化
计算机视觉与模式识别
2016-04-20 v1 机器学习
摘要
用于数据分类的监督流形学习方法以保持结构的方式将驻留在高维环境空间中的数据样本映射到低维域，同时增强所学嵌入中不同类别之间的分离。大多数非线性监督流形学习方法仅计算最初可用训练点处的流形嵌入，而嵌入到新点的泛化（在流形学习中称为样本外扩展问题）在分类应用中变得尤为重要。在这项工作中，我们提出一种半监督方法，用于构建插值函数，为分类背景下研究的通用监督流形学习算法提供样本外扩展。所提出的算法计算径向基函数(RBF)插值器，其最小化由未标记测试样本的总嵌入误差（定义为其到自身类别流形嵌入的距离）以及以方向相关方式控制插值函数平滑度的正则项组成的客观函数。测试数据的类别标签和插值函数参数通过渐进过程联合估计。在人脸和物体图像上的实验结果证明了所提出的样本外扩展算法对建模为流形数据集的分类的潜力。
引用
@article{arxiv.1502.02410,
title = {Out-of-sample generalizations for supervised manifold learning for classification},
author = {Elif Vural and Christine Guillemot},
journal= {arXiv preprint arXiv:1502.02410},
year = {2016}
}