面向判别子空间学习的黎曼流形优化
机器学习
2021-07-21 v3 图像与视频处理
信号处理
摘要
线性判别分析（LDA）是机器学习中广泛使用的算法，用于提取高维数据的低维表示，其特点是利用Fisher判别准则寻找正交判别投影子空间。然而，传统的基于欧氏空间求解LDA的方法易收敛至伪局部极小，难以获得最优解。为解决该问题，本文提出一种名为基于黎曼的判别分析（RDA）的新算法用于子空间学习。为获得显式解，我们将传统基于欧氏空间的方法转换至黎曼流形空间，并使用信赖域方法学习判别投影子空间。我们将所提算法与现有LDA变体及无监督张量分解方法在图像分类任务上比较。数值结果表明RDA在分类精度上达到了SOTA性能。
引用
@article{arxiv.2101.08032,
title = {Riemannian Manifold Optimization for Discriminant Subspace Learning},
author = {Wanguang Yin and Zhengming Ma and Quanying Liu},
journal= {arXiv preprint arXiv:2101.08032},
year = {2021}
}
备注
13 pages, 4 figures, 6 tables