无监督的歧视性特征选择与$\ell _{2,0}$-标准受约束的稀疏投影

科学领域:

• 机器学习 机器学习
• 数据科学数据科学数据科学
• 计算机视觉 计算机视觉

背景情况:

• 功能选择对于数据分析和机器学习至关重要.
• 使用$\ell _{2,p}$-norm ($0 \lt p \leq 1$) 的现有稀疏性方法通常会产生低于最佳的特征子集,并且需要广泛的参数调整.
• 为特征选择优化非凸 $\ell _{2,0}$ - 规范受约束问题是一个开放的挑战,现有的算法缺乏保证的全球收或依赖于特定的数据假设.

研究的目的:

• 提出一种不受监督的歧视性特征选择方法,解决现有方法的局限性.
• 引入一种新的方法,Sparse Projection with $\ell _{2,0}$-norm Constraint (SPDFS),用于有效的无监督特征选择.
• 为NP-hard $\ell _{2,0}$-norm受约束问题开发强大的优化策略.

主要方法:

• 拟议的SPDFS方法共同学习模糊的成员资格和 $\ell _{2,0}$ - 规范受约束的特征智能稀疏性投影.
• 采用了两种优化策略:用于保证全局最佳性的特殊情况下的非代算法和用于一般情况下的具有上升属性的代算法.
• 该方法基于监督线性差异分析的原则,适用于无监督学习.

主要成果:

• 在合成和现实世界数据集上的实验结果证明了SPDFS的有效性.
• 拟议的方法优于几种最先进的特征选择技术.
• 在无监督的任务中,SPDFS表现出卓越的性能,例如数据聚类和文本分类.

结论:

• SPDFS为无监督的歧视性特征选择提供了强大而有效的解决方案.
• 开发的优化策略成功地解决了$\ell _{2,0}$-norm优化的NP-hard性质.
• 该方法在聚类和文本分类方面的优势验证了其实际适用性.