کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6863867 1439526 2018 37 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Structure preserving unsupervised feature selection
ترجمه فارسی عنوان
ساختار حفظ انتخاب ویژگی بدون نظارت
کلمات کلیدی
انتخاب ویژگی بدون نظارت، مدل بیان خود، حفظ ساختار،
ترجمه چکیده
تجزیه و تحلیل طیفی به طور معمول برای هدایت ویژگی های غیرقابل کنترل استفاده می شود. با این حال، عملکرد این روش ها همیشه رضایت بخش نیست زیرا آنها ممکن است برچسب های شبه ای مستمر برای تقریبی برچسب های واقعی گسسته تولید کنند. در این مقاله، بر اساس مدل بیان خود، یک روش انتخاب جدید انتخاب نشده است. بر خلاف روش های موجود مبتنی بر تجزیه و تحلیل طیفی موجود، ما از مدل بیان خود برای بیان روابط بین ویژگی ها بدون یادگیری برچسب های خوشه استفاده می کنیم. به طور خاص، هر ویژگی می تواند با استفاده از یک ترکیب خطی از تمام ویژگی های فضای اصلی ویژگی بازسازی شود، و یک ویژگی نماینده باید وزن زیادی را برای بازسازی سایر ویژگی ها ارائه دهد. علاوه بر این، یک ساختار حفظ محدودیت در مدل ما برای نگه داشتن ساختار چندجملهای محلی از داده ها گنجانده شده است. سپس یک الگوریتم تکراری کارآمد جایگزین برای حل مدل پیشنهادی ما با تحلیل نظری در همگرایی آن استفاده می شود. نتایج تجربی در مجموعه داده های مختلف اثربخشی روش ما را نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
ساختار حفظ انتخاب ویژگی بدون نظارت
چکیده انگلیسی
Spectral analysis was usually used to guide unsupervised feature selection. However, the performances of these methods are not always satisfactory due to that they may generate continuous pseudo labels to approximate the discrete real labels. In this paper, a novel unsupervised feature selection method is proposed based on self-expression model. Unlike existing spectral analysis based methods, we utilize self-expression model to capture the relationships between the features without learning the cluster labels. Specifically, each feature can be reconstructed by using a linear combination of all the features in the original feature space, and a representative feature should give a large weight to reconstruct other features. Besides, a structure preserved constraint is incorporated into our model for keeping the local manifold structure of the data. Then an efficient alternative iterative algorithm is utilized to solve our proposed model with the theoretical analysis on its convergence. The experimental results on different datasets show the effectiveness of our method.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 301, 2 August 2018, Pages 36-45
نویسندگان
, , ,