面向无监督特征提取的结构化图嵌入

doi:10.19734/j.issn.1001-3695.2024.03.0072

	面向无监督特征提取的结构化图嵌入
	袁凤燕 1,2; 尹学松 2; 王毅刚 2
	2024-08-07
发表期刊	计算机应用研究
ISSN	1001-3695
摘要	特征提取是处理高维数据的最有效工具之一。然而，当前特征提取方法存在两个问题：一是它们没有同时捕捉数据的局部和全局结构；二是构建的图脱离数据的聚类数，没有与聚类相同的连通分量。为了解决这些问题，提出了面向无监督特征提取的结构化图嵌入方法(Structured Graph Embedding,SGE)。通过构建数据表征的k近邻和使用最小二乘回归，SGE能够同时保持数据的局部与全局相关结构。而且，SGE对表征图的拉普拉斯矩阵施加秩约束，使构建的最优图具有与c个聚类一致的c个连通分量，从而能揭示数据的聚类结构。因此，所提出的SGE能够找到更有判别力的投影。在多个真实数据集的实验表明，SGE优于其他主流降维方法。特别是在PIE数据集上，SGE的聚类精度比LRPP＿GRR的聚类精度高出18.7%。这些结果表明所提出的SGE方法可以有效降低数据维数。
关键词	特征提取局部结构秩约束最小二乘回归
DOI	10.19734/j.issn.1001-3695.2024.03.0072
URL	查看原文
收录类别	北大核心
语种	中文
资助项目	浙江省高等学校国内访问学者项目(FX2023191);浙江开放大学312人才培养工程资助项目;浙江省公益技术应用研究项目(LGG22F020032);温州市基础性公益科研项目(G2023093);浙江省重点研发计划重点专项项目(2021C03137);
原始文献类型	学术期刊
文献类型	期刊论文
条目标识符	http://ir.library.ouchn.edu.cn/handle/39V7QQFX/171116
专题	国家开放大学浙江分部
通讯作者	尹学松
作者单位	1.浙江开放大学平湖学院; 2.杭州电子科技大学数字媒体技术系
第一作者单位	国家开放大学浙江分部
第一作者的第一单位	国家开放大学浙江分部
推荐引用方式 GB/T 7714	袁凤燕,尹学松,王毅刚. 面向无监督特征提取的结构化图嵌入[J]. 计算机应用研究,2024.
APA	袁凤燕,尹学松,&王毅刚.(2024).面向无监督特征提取的结构化图嵌入.计算机应用研究.
MLA	袁凤燕,et al."面向无监督特征提取的结构化图嵌入".计算机应用研究 (2024).