线性复杂性多视图无监督的特征选择通过基特征关系构建

科学领域:

• 机器学习 机器学习
• 数据挖掘 数据挖掘
• 计算机科学 计算机科学

背景情况:

• 多视图无监督特征选择方法通常集中在样本关系上,忽视关键特征关系.
• 在构建完整的特征图表时,现有的方法面临着高计算复杂性 (O{\displaystyle O} d^2或更高).
• 需要有效的方法来直接从特征图中提取特征的重要性.

研究的目的:

• 开发一种新的多视图无监督特征选择算法,并降低了复杂度.
• 引入一个以为基础的策略,并为高效的特征关系建模提供特征两方图形.
• 设计一种低复杂度的方法,从特征二分位图中直接提取特征重要性.

主要方法:

• 基于的策略和特征的双部分图形构建被采用以减少复杂性.
• 提出了一种新的方法,可以直接从特征二分位图中获得特征得分,从而将时间复杂性从O{\displaystyle \mathbb {O} d^3} 减少到O{\displaystyle \mathbb {O} d^3} .
• 自我表达的多视图子空间学习以自适应的方式学习特征级图结构,捕捉特征关系和多视图一致性.

主要成果:

• 拟议的方法实现了O (n) 的空间和时间复杂性,比现有的方法有了显著的改进.
• 图像和生物数据集的实验结果表明,与七种最先进的方法相比,拟议的算法具有优越性.
• 该方法有效地捕获特征和之间的结构信息,以及跨视图的一致性和互补信息.

结论:

• 拟议的算法为多视图无监督特征选择提供了高效和有效的解决方案.
• 基于的策略和特征双部分图的方法显著降低了计算复杂性.
• 这项工作代表了多视图无监督特征选择领域的新贡献,对处理大型数据集有实际意义.