用于极致降维的张量列参数化
机器学习
2019-08-15 v1 图像与视频处理
机器学习
摘要
局部保持投影(LPP)是一种基于数据图信息的经典降维方法。然而,LPP 仍对极端离群点敏感。面向向量数据的 LPP 在应用于多维数据时会破坏数据结构信息。此外,它假设数据维度小于样本数量,这不适用于高维数据。对于高维数据分析,张量列分解被证明能够高效且有效地捕捉空间关系。因此,我们提出了一种用于极致降维的张量列参数化(TTPUDR),其中传统的 LPP 映射按张量列进行张量化,并将 LPP 目标替换为 Frobenius 范数以增强模型的鲁棒性。利用流形优化技术求解新模型。在分类问题上评估了 TTPUDR 的性能,TTPUDR 显著优于以往方法及若干 SOTA 方法。
引用
@article{arxiv.1908.04924,
title = {Tensor-Train Parameterization for Ultra Dimensionality Reduction},
author = {Mingyuan Bai and S. T. Boris Choy and Xin Song and Junbin Gao},
journal= {arXiv preprint arXiv:1908.04924},
year = {2019}
}