计算机应用研究

作者：吴文彬,周伟,唐东明,

单位：西南民族大学计算机科学与工程学院,成都610041；

关键词：特征表示,图正则,流形学习,自编码器,KL散度,鲁棒性,无监督学习,

基金：四川省科技计划资助项目(2019YFG0207)；西南民族大学2021年研究生“创新型科研项目”(CX2021SZ51)；；

传统的图正则化方法使用欧氏距离度量样本空间的相似度，并不能准确考察复杂数据集的邻域信息，容易导致模型在复杂形状数据和非凸数据集中的泛化性能下降。提出一种改进的图正则算法，使用等距特征映射保留样本空间的邻域信息，帮助模型进行流形学习，同时结合使用KL约束进一步使得数据表示的外部结构变得光滑，从而捕获到更稀疏和高级的特征表示。在MNIST和YaleB等数据集上的实验结果表明，相比于流行的几种特征提取算法，该算法能够提取到更有意义和稳健的特征。在分类任务和聚类任务上具有优势，同时具有更好的抗干扰性能。

来源：2022年第2期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2022年第2期