کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4946187 1439277 2017 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Unsupervised feature selection via low-rank approximation and structure learning
ترجمه فارسی عنوان
انتخاب ویژگی های بی نظیر از طریق تقریب پایین و یادگیری ساختار
کلمات کلیدی
فراگیری ماشین، انتخاب ویژگی، یادگیری بی نظیر، تقریبی نزولی، ساختار یادگیری،
ترجمه چکیده
انتخاب ویژگی یک موضوع تحقیق مهم در یادگیری ماشین و بینایی کامپیوتری است که می تواند ابعاد داده های ورودی را کاهش داده و عملکرد الگوریتم های یادگیری را بهبود بخشد. تکنیک های تقریبی ضعیف می تواند به خوبی از ویژگی رتبه پایین داده های ورودی بهره برداری کند، که با هماهنگی داخلی کاهش ابعاد همخوانی دارد. در این مقاله، ما یک الگوریتم انتخابی کارآمد بدون نظارت ارائه می دهیم که شامل تقریب نامحدود و همچنین یادگیری ساختار است. اولا، با استفاده از خودپردازی ماتریس داده ها، مسئله انتخاب ویژگی را به صورت فاکتورسازی ماتریس با محدودیت های پایین رتبه تنظیم می کنیم. این فرمول سازی فاکتورهای ماتریسی نیز ساختار یادگیری ساختاری و همچنین یک اصطلاح حل درست را دربر می گیرد. دوم، ما یک تکنیک موثر برای تطبیق محدودیت های کمینه را ارائه می دهیم و یک الگوریتم همگرا را در حالت دسته ای پیشنهاد می دهیم. این تکنیک می تواند به عنوان یک چارچوب الگوریتمی برای مشکلات عمومی بازیابی با درجه پایین باشد. در نهایت، الگوریتم پیشنهادی در 12 مجموعه داده قابل دسترسی از مخزن یادگیری ماشین معتبر است. نتایج تجربی گسترده نشان می دهد که روش پیشنهادی قادر به دستیابی به عملکرد رقابتی در مقایسه با روش های انتخابی پیشرفته ترین حالت از لحاظ عملکرد خوشه ای است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
انتخاب ویژگی های بی نظیر از طریق تقریب پایین و یادگیری ساختار
چکیده انگلیسی
Feature selection is an important research topic in machine learning and computer vision in that it can reduce the dimensionality of input data and improve the performance of learning algorithms. Low-rank approximation techniques can well exploit the low-rank property of input data, which coincides with the internal consistency of dimensionality reduction. In this paper, we propose an efficient unsupervised feature selection algorithm, which incorporates low-rank approximation as well as structure learning. First, using the self-representation of data matrix, we formalize the feature selection problem as a matrix factorization with low-rank constraints. This matrix factorization formulation also embeds structure learning regularization as well as a sparse regularized term. Second, we present an effective technique to approximate low-rank constraints and propose a convergent algorithm in a batch mode. This technique can serve as an algorithmic framework for general low-rank recovery problems as well. Finally, the proposed algorithm is validated in twelve publicly available datasets from machine learning repository. Extensive experimental results demonstrate that the proposed method is capable to achieve competitive performance compared to existing state-of-the-art feature selection methods in terms of clustering performance.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 124, 15 May 2017, Pages 70-79
نویسندگان
, ,