基于子空间学习和伪标签回归的无监督特征选择

摘要

信息技术的快速发展产生了大量无标签高维数据.为了能够更好地处理这些数据,提出了一种基于子空间学习和伪标签回归的无监督特征选择方法.首先,从矩阵分解的角度将子空间学习和特征选择结合在一个框架中,并且对特征选择矩阵施加L2,1范数保证稀疏,在寻找原始数据空间低维表示的同时进行特征选择;其次,利用回归函数来学习特征子空间和伪标签之间的映射关系,利用伪标签和回归函数来指导无监督特征选择,以使选择出来的特征更具判别力;最后,通过引入图拉普拉斯来挖掘隐藏在样本空间和特征空间的局部结构信息.在六个公开的数据集上进行了实验,实验结果表明该方法要优于其他几种先进的无监督特征选择算法.