平衡比率总和与最大化比率总和对线性差异分析的线性差异分析

科学领域:

• 机器学习 机器学习
• 数据科学数据科学数据科学
• 模式识别 模式识别

背景情况:

• 线性差异分析 (LDA) 是一种标准的缩小维度的技术.
• 比率总和LDA (RSLDA) 是为了提高特征的可区分性而开发的,但受到比率主导的影响.
• 在RSLDA中最大比率的主导地位阻碍了真正的歧视性特征的选择.

研究的目的:

• 在传统的Ratio Sum LDA中分析主导地位问题.
• 提出一种新的区分特征学习方法,即平衡比和区分分析 (BRSDA).
• 为了减轻比率主导问题并增强特征提取能力.

主要方法:

• 引入了最小化比和 (Min-RS) 标准,使用和平均值进行比平衡.
• 将Min-RS标准与$\ell _{p}$标准集成,以进一步平衡比率并放大投影方向差异.
• 使用梯度下降方法进行优化,因为获得封闭式解决方案的挑战很大.

主要成果:

• BRSDA有效地平衡了比率,减轻了RSLDA固有的优势问题.
• 该方法专注于优化低质量的投影方向,从而获得一个平衡的解决方案.
• 实验结果证实了BRSDA在提取歧视性特征方面的有效性.

结论:

• 在Ratio Sum LDA中,BRSDA为比例主导问题提供了一个强大的解决方案.
• 拟议的方法提高了提取特征的质量和区分能力.
• BRSDA代表了歧视特征学习的重大进步.