稳健的特征表示学习方法及应用

发布时间：2021-09-23 00:51

　　近年来,大数据话题备受人们关注。大数据不局限于数据量之大,而在于隐藏在数据背后的数据价值。如何挖掘大数据中存在的规律,为人们提供有价值的信息,是大数据研究领域面临的挑战之一。为在给定的数据样本上准确地进行推理和预测,需要找到数据合适的特征表示,从而有效地对数据的底层结构进行建模。模型应能反映简洁的全局结构,捕捉数据的表现,并对噪声具有较强的稳健性。寻求数据特征表示的前提是现实世界中的大多数数据具有各自丰富而特有的结构,而如果数据分布是任意的,那么特征表示学习将是不可行的。同时,现实中采样的数据总是有限而且通常含有噪声,这就需要解决如何选择和设计合适的模型和正则化技术。本文通过结合图嵌入,低秩分析,自表示学习,类内与类间关系方法,以描述样本关系为核心,提出了两种无监督特征表示学习方法和一种监督特征表示学习方法,并将其应用在模拟数据、图像数据和生物数据中。通过与最先进的方法对比,验证了本文提出的特征表示方法的有效性。本文主要工作包含以下几个方面:1.提出基于低秩图优化的多视角数据维数约简（Low-Rank Graph Optimiza-tion for Multi-View Dimensi... 

【文章来源】：东北师范大学吉林省 211工程院校 教育部直属院校

【文章页数】：106 页

【学位级别】：博士

【部分图文】：

图１．１从线性流形中采样的噪声数据点

?东北师范大学博士学位论文???＇￣?）￣?ｆ??Ｃ＝Ｃ＞?ｉＳｉ?翻?＾??ｓ？?Ｓ?￡＜２＞??ｃ＝ｊ＞?：：．ｕ：?ｍｉ?＝?＾：ｒ：：；；：：?＋?，?■??５＜？？）?￡＜ｗ）??Ｈ＇ｌｉｌＵＨｆｉ?ＨｌｌｌＯｌｉｎ??Ａ（ｍ）?［＞?■！，?＾??Ｓ＇＂?＝（Ｄｕ，ｙ＇Ａ１＂????ｖ?／???＼?／?＼?ｙ??Ｓｉｍｉｌａｒｉｔｙ?Ｎｏｒｍａｌｉｚａｔｉｏｎ?Ｗｅｉｇｈｔ?Ｓｈａｒｅｄ?ｇｒａｐｈ?Ｅｒｒｏｒ??ｍａｔｒｉｘ?ｍａｔｒｉｘ?ｖｅｃｔｏｒ?ｍａｔｒｉｘ?ｍａｔｒｉｘ??图３．１共享图矩阵构造概述??要求误差矩阵小且稀疏。其公式如下：??ｍ??ｍｉｎ?Ｖ?｜｜５?－?（Ｓ｛ｉ）?－?Ｅ＾）＼＼ｌ?＋?，ｌ｜｜￡＜／）｜｜ｉ??Ｓ＇ＥＵ）?７￣ｉ?（３．３）??ｓ．ｔ．?５?＞?０，５１?＝?１，??其中，Ａ是非负权衡参数，Ｇ范数用来保证稀疏。约束２?０，?ＳＩ?＝?１强制??Ｓ非负且行求和为１，这也可以理解为４概率分布，表示一个样本点作为另外一＊??个样本点近邻的概率。??（ａ）?ｉｄｅａｌ?ｓｉｍｉｌａｒｉｔｙ?ｍａｔｒｉｘ?（ｂ）?ｓｉｍｉｌａｒｉｔｙ?ｍａｔｒｉｘ?ｗｉｔｈ?ｎｏｉｓｅ?ａｎｄ?ｏｕｔｌｉｅｒｓ??图３．２相似矩阵的例子。零值的元素用白色表示，非零值的元素用蓝色表示??２２??

?东北师范大学博士学位论文???＇￣?）￣?ｆ??Ｃ＝Ｃ＞?ｉＳｉ?翻?＾??ｓ？?Ｓ?￡＜２＞??ｃ＝ｊ＞?：：．ｕ：?ｍｉ?＝?＾：ｒ：：；；：：?＋?，?■??５＜？？）?￡＜ｗ）??Ｈ＇ｌｉｌＵＨｆｉ?ＨｌｌｌＯｌｉｎ??Ａ（ｍ）?［＞?■！，?＾??Ｓ＇＂?＝（Ｄｕ，ｙ＇Ａ１＂????ｖ?／???＼?／?＼?ｙ??Ｓｉｍｉｌａｒｉｔｙ?Ｎｏｒｍａｌｉｚａｔｉｏｎ?Ｗｅｉｇｈｔ?Ｓｈａｒｅｄ?ｇｒａｐｈ?Ｅｒｒｏｒ??ｍａｔｒｉｘ?ｍａｔｒｉｘ?ｖｅｃｔｏｒ?ｍａｔｒｉｘ?ｍａｔｒｉｘ??图３．１共享图矩阵构造概述??要求误差矩阵小且稀疏。其公式如下：??ｍ??ｍｉｎ?Ｖ?｜｜５?－?（Ｓ｛ｉ）?－?Ｅ＾）＼＼ｌ?＋?，ｌ｜｜￡＜／）｜｜ｉ??Ｓ＇ＥＵ）?７￣ｉ?（３．３）??ｓ．ｔ．?５?＞?０，５１?＝?１，??其中，Ａ是非负权衡参数，Ｇ范数用来保证稀疏。约束２?０，?ＳＩ?＝?１强制??Ｓ非负且行求和为１，这也可以理解为４概率分布，表示一个样本点作为另外一＊??个样本点近邻的概率。??（ａ）?ｉｄｅａｌ?ｓｉｍｉｌａｒｉｔｙ?ｍａｔｒｉｘ?（ｂ）?ｓｉｍｉｌａｒｉｔｙ?ｍａｔｒｉｘ?ｗｉｔｈ?ｎｏｉｓｅ?ａｎｄ?ｏｕｔｌｉｅｒｓ??图３．２相似矩阵的例子。零值的元素用白色表示，非零值的元素用蓝色表示??２２??


本文编号：3404694