计算机应用研究

作者：袁凤燕,尹学松,王毅刚,

单位：1.浙江开放大学平湖学院,浙江平湖314200；2.杭州电子科技大学数字媒体技术系,杭州310018；

关键词：特征提取,局部结构,秩约束,最小二乘回归,

基金：浙江省高等学校国内访问学者资助项目(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资助项目(2021C03137)；；

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，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SGE方法可以有效降低数据维数。

来源：2024年第11期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2024年第11期