.png){kind=icon}
返回
Capped norm based discriminant robust regression learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2024.111288.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
探索数据之间的潜在相关结构、提高对噪声的鲁棒性、获取判别投影、整合数据的局部信息以及选择显著特征是特征提取方法的重要目标。为解决这些目标，本文提出了一种新颖的基于截断范数的判别鲁棒回归（CNDRR）方法。在CNDRR中，探索了潜在的相关结构。此外，由于使用了鲁棒截断范数作为基本度量，保证了其对噪声的鲁棒性。此外，为了获取更优的判别投影并提高鲁棒性，CNDRR基于差异准则重新定义了散度矩阵，并在局部保持准则中舍弃了欧氏距离的平方运算，同时采用鲁棒截断范数作为基本度量。另外，通过对投影矩阵施加L 21-范数正则化项，可以增强投影的联合稀疏性，并选择最显著的特征。本文进行了理论分析，包括收敛性分析和计算复杂度分析。实验结果表明，所提出的CNDRR在八个数据集上优于其他对比方法。
Keyword:
Capped norm
Discriminant robust regression
Joint sparse subspace learning
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
From few to many: illumination cone models for face recognition under variable lighting and pose
PREAI
分享收藏Adaptive and fuzzy locality discriminant analysis for dimensionality reduction.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
Robust feature selection via simultaneous sapped norm and sparse regularizer minimizationNEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Multi-label feature selection via robust flexible sparse regularization基于鲁棒柔性稀疏正则化的多标签特征选择PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏On the equivalent of low-rank linear regressions and linear discriminant analysis based regressionsProceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining
Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
PREAI
分享收藏Sparse and robust support vector machine with capped squared loss for large-scale pattern classificationPATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
查看更多内容