系统工程与电子技术

作者：曹浪财, 林晓昌, 苏思行

单位：1. 厦门大学航空航天学院, 福建 厦门 361005；2. 厦门大数据智能分析与决策重点实验室, 福建 厦门 361005

关键词：特征选择,图嵌入,自适应,矩阵分解

基金：国家自然科学基金(61772442)

在高维数据分析中，一个不可避免且棘手的问题是维度诅咒，因而如何将高维数据通过特征选择降维为低维数据显得尤为重要。对此, 提出了基于鲁棒矩阵分解和自适应图的无监督特征选择模型(unsupervised feature selection model based on robust matrix factorization and adaptive graph, MFAGFS), 实现在一个统一的学习框架下执行鲁棒矩阵分解、特征选择以及局部结构学习。模型首先通过鲁棒矩阵分解可获得聚类标签, 将聚类标签和局部结构信息用来引导特征选择过程, 再从特征选择的结果中自适应地学习数据局部结构。通过局部结构学习和特征选择这两个基本任务的相互作用, MFAGFS可以精确捕获数据的结构信息以及选择出具有判别性的特征。然后，详细阐述了算法优化求解方法, 并证明了算法的收敛性。最后，在6个公开数据集上进行试验对比分析, 参数敏感性分析, 验证了所提模型的有效性。实验结果表明, 所提的方法与其他方法相比, 性能均有不同程度的提高。

来源：2021年第8期

《系统工程与电子技术》期刊编辑部

查看系统工程与电子技术杂志2021年第8期