.png){kind=icon}
返回
Kernel alignment for unsupervised feature selection via matrix factorization
.png){kind=icon}
OA
AI
DOI：10.1007/s43670-025-00120-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通过去除无关和冗余特征，特征选择旨在寻找原始特征的良好表示。随着未标记数据的普及，无监督特征选择已被证明可有效缓解所谓的维度灾难。大多数现有的基于矩阵分解的无监督特征选择方法都建立在子空间学习之上，但它们在捕捉特征间的非线性结构信息方面存在局限性。核技术以捕捉非线性结构信息而闻名。在本文中，我们通过整合核函数和核对齐构建了一个模型，并将其表述为矩阵分解问题。然而，这种扩展引发了另一个问题：算法性能高度依赖于核函数的选择，而核函数的选择通常未知。因此，我们进一步提出了一种基于多核的学习方法。通过这种方式，我们的模型可以学习线性和非线性相似性信息，并自动生成最合适的核函数。对真实数据的实验分析表明，所提出的两种方法在聚类结果和冗余度降低方面，几乎在所有测试数据集上都优于其他经典和最先进的无监督特征选择方法。
Keyword:
Unsupervised feature selection
Kernel alignment
Matrix factorization
Multiple kernel learning
期刊
S
IF:
1.1
论文数:
9
被引数:
0
机构
引用论文
分享收藏Subspace learning for unsupervised feature selection via matrix factorization.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Global and local structure preserving sparse subspace learning: An iterative approach to unsupervised feature selectionPATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏Orthogonal nonnegative matrix t-factorizations for clusteringProceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data mining
Proceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
PREAI
分享收藏
查看更多内容