基于自适应图的降维方法

摘要

为了构建能反映高维数据本质结构的高质量图,提出了一种新颖的降维方法——基于自适应图的降维方法(DRAG:Dimensionality Reduction based on Adaptive Graphs)。与其他传统的基于图的降维方法相比,提出的DRAG避免了传统k近邻或ε球准则构图策略中的参数选择问题,考虑了数据的局部信息和噪声,能自适应地构建稀疏的最优图结构,并将其结合在经典的LPP(Locality Preserving Projection)模型中,学习能有效刻画高维数据本征结构的投影矩阵,从而实现降维的目的。为了评估算法的有效性和可行性,在4个标准的图像数据库(CMU PIE,Extended Yale B,ORL和COIL 20)分别进行了分类与聚类实验,实验结果表明,所提出的方法在分类识别率和聚类准确率上都优于其他对比方法。