主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2018年第12期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
韦 佳,彭 宏.基于局部与全局保持的半监督维数约减方法.软件学报,2008,19(11):2833-2842
基于局部与全局保持的半监督维数约减方法
Local and Global Preserving Based Semi-Supervised Dimensionality Reduction Method
投稿时间:2008-02-24  修订日期:2008-08-26
DOI:
中文关键词:  边信息  局部与全局保持  半监督学习  维数约减  图嵌入
英文关键词:side-information  local and global preserving  semi-supervised learning  dimensionality reduction  graph embedding
基金项目:Supported by the Natural Science Foundation of Guangdong Province of China under Grant No.07006474 (广东省自然科学基金); the Sci & Tech Research Project of Guangdong Province of China under Grant No.2007B010200044 (广东省科技攻关项目)
作者单位
韦 佳 华南理工大学 计算机科学与工程学院,广东 广州 510641 
彭 宏 华南理工大学 计算机科学与工程学院,广东 广州 510641 
摘要点击次数: 6517
全文下载次数: 7080
中文摘要:
      在很多机器学习和数据挖掘任务中,仅仅利用边信息(side-information)并不能得到最好的半监督学习(semi-supervised learning)效果,因此,提出一种基于局部与全局保持的半监督维数约减(local and global preserving based semi-supervised dimensionality reduction,简称LGSSDR)方法.该算法不仅能够保持正、负约束信息而且能够保持数据集所在低维流形的全局以及局部信息.另外,该算法能够计算出变换矩阵并较容易地处理未见样本.实验结果验证了该算法的有效性.
英文摘要:
      In many machine learning and data mining tasks, it can't achieve the best semi-supervised learning result if only use side-information. So, a local and global preserving based semi-supervised dimensionality reduction (LGSSDR) method is proposed in this paper. LGSSDR algorithm can not only preserve the positive and negative constraints but also preserve the local and global structure of the whole data manifold in the low dimensional embedding subspace. Besides, the algorithm can compute the transformation matrix and handle unseen samples easily. Experimental results on several datasets demonstrate the effectiveness of this method.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利