基于稀疏约束的流形正则化概念分解算法

摘要：

流形学习算法在构造图模型时假设观测数据来自一个光滑的流形采样，但实际高维数据中由于各种因素经常存在噪声或异常值。针对概念分解算法无法有效地处理数据中存在的噪声问题，同时未考虑数据间的几何结构信息问题，提出一种基于稀疏约束的流形正则化概念分解算法。该算法通过范数对目标函数进行稀疏约束，得到具有鉴别能力的特征向量；同时构建拉普拉斯图正则项获得数据的流形结构信息，提高算法的鉴别能力。最后对文中算法的目标函数进行求解并证明了其收敛性；在PIE人脸库、AT&T人脸库、Reuters文本库和TDT2文本库上的实验结果表明，该算法提高了聚类的准确率和归一化互信息。

关键词：非负矩阵分解、概念分解、范数、流形学习、图拉普拉斯、聚类

所属期刊栏目：28

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61272220，61101197;中国博士后科学基金2014M551599;江苏省社会安全图像与视频理解重点实验室基金30920130122006;江苏省普通高校研究生科研创新计划项目KYLX_0383

在线出版日期：2016-04-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：381-394