如何使用自適應(yīng)嵌入的半監(jiān)督多視角特征實(shí)現(xiàn)降維的方法概述

　　半監(jiān)督模式下的多視角特征降維方法，大多并未考慮到不同視角間特征投影的差異，且由于缺乏對(duì)降維后的低維矩陣的稀疏約束，無(wú)法避免噪聲和其他不相關(guān)特征的影響。針對(duì)這兩個(gè)問(wèn)題，提出自適應(yīng)嵌入的半監(jiān)督多視角特征降維方法。首先，將投影從單視角下相同的嵌入矩陣擴(kuò)展到多視角間不同的矩陣，引入全局結(jié)構(gòu)保持項(xiàng)；然后，將無(wú)標(biāo)簽的數(shù)據(jù)利用無(wú)監(jiān)督方法進(jìn)行嵌入投影，對(duì)于有標(biāo)簽的數(shù)據(jù)，結(jié)合分類的判別信息進(jìn)行線性投影；最后，再將兩類多投影映射到統(tǒng)一的低維空間，使用組合權(quán)重矩陣來(lái)保留全局結(jié)構(gòu)，很大程度上消除了噪聲及不相關(guān)因素的影響。實(shí)驗(yàn)結(jié)果表明，所提方法的聚類準(zhǔn)確率平均提高了約9qo。該方法較好地保留了多視角間特征的相關(guān)性，捕獲了更多的具有判別信息的特征。

　　當(dāng)數(shù)據(jù)從不同數(shù)據(jù)源獲得或者由不同的特征集來(lái)共同表示，這類數(shù)據(jù)稱為多視角數(shù)據(jù)。比如圖像可以由灰度值、尺度不變特征變換（ Scale- Invariant Feature Transform， SIFT） 特征1、方向梯度直方圖（ Histogram of Oriented Gradients，HOG）特征等多種特征來(lái)表示;網(wǎng)頁(yè)可以由網(wǎng)站地址、網(wǎng)站名稱等多種特征表示。多視角數(shù)據(jù)的各個(gè)視角之間通常能夠提供互補(bǔ)和相關(guān)的信息，而傳統(tǒng)方法并不考慮這-一點(diǎn)，因此如何有效提取不同視角的特征且保留各個(gè)視角之間的相關(guān)性來(lái)實(shí)現(xiàn)特征降維成為機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘近年來(lái)的研究熱點(diǎn)?；诮Y(jié)構(gòu)信息保持的特征提取方法通過(guò)最大程度上保持原始數(shù)據(jù)的結(jié)構(gòu)，包括全局結(jié)構(gòu)和局部流形結(jié)構(gòu)來(lái)實(shí)現(xiàn)特征降維。這些結(jié)構(gòu)可以通過(guò)圖約束模型來(lái)表示，如樣本成對(duì)相似，K最近鄰（ K-Nearest Neighbors， K-NN）。、局部判別模型、局部線性嵌人（LocallyLincarEmbedding，LE）等。在近年來(lái)的研究進(jìn)展中，嵌入矩陣被廣泛引人到各類特征提取方法中 ，這些方法通過(guò)重構(gòu)各數(shù)據(jù)點(diǎn)與全局信息之間的關(guān)系，來(lái)保留原始的結(jié)構(gòu)。但是將這些方法應(yīng)用于多視角特征提取時(shí)，它們大多只是單獨(dú)對(duì)單視角的特征進(jìn)行選擇，然后將各視角直接相連，導(dǎo)致了各個(gè)視角間特征的相關(guān)性和部分原始信息的缺失。