基于自适应邻域的监督判别稀疏PCA降维方法
机器学习
2020-03-26 v2 机器学习
摘要
降维是信息可视化、特征提取、聚类、回归和分类中的一项重要操作，尤其适用于处理含噪高维数据。然而，大多数现有方法仅保留数据的全局或局部结构之一，而非两者兼顾。仅保留全局数据结构的方法（如主成分分析（PCA））通常对离群点敏感；仅保留局部数据结构的方法（如局部保持投影）通常是无监督的（因而无法利用标签信息）且使用固定的相似图。我们提出一种新颖的线性降维方法——基于自适应邻域的监督判别稀疏PCA（SDSPCAAN），将无邻域监督判别稀疏PCA与基于自适应邻域的投影聚类相融合。由此，全局与局部数据结构以及标签信息均被利用，以实现更好的降维。在九个高维数据集上的分类实验验证了我们所提SDSPCAAN的有效性与鲁棒性。
引用
@article{arxiv.2001.03103,
title = {Supervised Discriminative Sparse PCA with Adaptive Neighbors for Dimensionality Reduction},
author = {Zhenhua Shi and Dongrui Wu and Jian Huang and Yu-Kai Wang and Chin-Teng Lin},
journal= {arXiv preprint arXiv:2001.03103},
year = {2020}
}
备注
Int'l Joint Conf. on Neural Networks (IJCNN), Glasgow, UK, July 2020