.png){kind=icon}
返回
S3DL: Sample-Aggregated Structured Supervised Dictionary Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/LSP.2026.3704064.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种基于样本聚合的结构化监督字典学习（S³DL）框架，用于在噪声和异常值易发的场景下进行鲁棒分类。S³DL联合优化合成和分析字典，并结合元样本聚合投影和自适应权重矩阵，以学习一种具有判别性的潜在特征空间，该空间能够在抑制噪声和异常值的同时提升分类性能。所得到的约束多目标优化问题通过定制的交替优化算法高效求解。此外，推导出误差界以确保其鲁棒性和效率。在七个基准数据集上的大量实验表明，S³DL在分类准确率上始终优于现有的字典学习方法。
Keyword:
Dictionary pair learning
sample aggregation
constrained multi-objective optimization
期刊
I
IF:
3.9
论文数:
833
被引数:
0
机构
查看更多机构
引用论文
暂无论文信息