半监督核主成分分析
机器学习
2010-08-10 v1
摘要
我们提出了核主成分分析(KPCA)的三种推广，它们融入了数据点子集类标签的知识。第一种MV-KPCA类似于Fisher判别分析，对类内方差进行惩罚。第二种LSKPCA是最小二乘回归与核PCA的混合。最后一种LR-KPCA是前一种的迭代重加权版本，在标记点上实现了sigmoid损失函数。我们提供了理论风险界以及在真实和玩具数据集上的说明性实验。
引用
@article{arxiv.1008.1398,
title = {Semi-Supervised Kernel PCA},
author = {Christian Walder and Ricardo Henao and Morten Mørup and Lars Kai Hansen},
journal= {arXiv preprint arXiv:1008.1398},
year = {2010}
}