圖嵌入模型及其在數(shù)據(jù)降維中的應用.pdf

1、作為機器學習的重要領域之一，降維算法已經(jīng)越來越引起人們的重視并且在理論和算法研究方面取得了巨大的進步。目前降維算法研究的一個熱點方向是線性圖嵌入模型，本文主要針對基于圖嵌入模型的降維算法進行了研究，主要成果如下：
　　 首先針對非高斯分布樣本集的監(jiān)督降維問題，為了在實現(xiàn)降維的同時能夠兼顧樣本的鄰域保持，本文基于圖的線性嵌入和邊緣Fisher分析模型提出了一種新的子空間學習方法--近鄰保持-邊緣判別嵌入模型。該方法在減小類內離散度

2、的同時增大不同類之間樣本的邊緣距離，并能保持類內樣本的近鄰結構，因此取得了良好的降維效果。
　　 其次為了解決半監(jiān)督學習中只存在少量標記樣本和大量未標記樣本的情況，可以用稀疏表示的方法建立所有樣本間的關系圖L1-Graph，并基于圖中邊的權值給出了一種新的類標傳遞算法。實驗結果表明該類標傳遞算法相比線性近鄰傳遞算法具有更好的效果。
　　 最后為了解決非負矩陣分解方法在降維過程中只注重重構誤差而不能刻畫高維空間中樣本間相似