論文總結1：關于圖結構優化的無監督特征選擇

摘要

因為無标簽和高維資料的不斷增長，無監督特征選擇成為了一個重要且具有挑戰的問題在機器學習當中。同時無監督學習方法要求構造相似性矩陣，是以使得特征選擇依賴于結構的學習。但是現實世界中的資料包含很多噪音，無法完全依賴于相似性矩陣。是以，本文提出一種無監督特征選擇的方法能夠有效選擇特征，同時我們構造的相似性矩陣，能夠從資料中獲得更精确的有用資訊。

相關工作

現有方法的問題：

• 不可靠的相似矩陣
• 近鄰配置設定不當

方法論–SOGFS

1 資料集X，相似性矩陣S，原始目标函數：

2 樣本與樣本之間的差異載乘上相似性矩陣，同時對相似性矩陣乘上正則化參數作為限制

3 引入拉普拉斯矩陣，用來反映特征對資料集的局部儲存特征 同時拉普拉斯矩陣的秩為n-c，這裡的c表示連接配接部分，也就是相關性強的部分

4 再引入W矩陣，XW作為線性連接配接，且W為稀疏矩陣

這樣對原始資料進行了兩次篩選，對資料進行權重的設定，選擇出較優的樣本後，計算圖結構，提取結構特征

優化算法

1 利用拉格朗日的KTT條件，構造需要疊代優化求解的目标函數

2 固定S更新W

3 固定S更新F

4 固定W和F更新S

不斷疊代直到收斂

關于參數的設定：aifa表示樣本鄰居的數目

鄰居的數目是對樣本按照從高到低的順序依次排序的結果

論文連結：連結：http://pan.baidu.com/s/1mi80dtu 密碼：gymm