如何使用自适应嵌入的半监督多视角特征实现降维的方法概述

　　半监督模式下的多视角特征降维方法，大多并未考虑到不同视角间特征投影的差异，且由于缺乏对降维后的低维矩阵的稀疏约束，无法避免噪声和其他不相关特征的影响。针对这两个问题，提出自适应嵌入的半监督多视角特征降维方法。首先，将投影从单视角下相同的嵌入矩阵扩展到多视角间不同的矩阵，引入全局结构保持项；然后，将无标签的数据利用无监督方法进行嵌入投影，对于有标签的数据，结合分类的判别信息进行线性投影；最后，再将两类多投影映射到统一的低维空间，使用组合权重矩阵来保留全局结构，很大程度上消除了噪声及不相关因素的影响。实验结果表明，所提方法的聚类准确率平均提高了约9qo。该方法较好地保留了多视角间特征的相关性，捕获了更多的具有判别信息的特征。

　　当数据从不同数据源获得或者由不同的特征集来共同表示，这类数据称为多视角数据。比如图像可以由灰度值、尺度不变特征变换（ Scale- Invariant Feature Transform， SIFT） 特征1、方向梯度直方图（ Histogram of Oriented Gradients，HOG）特征等多种特征来表示;网页可以由网站地址、网站名称等多种特征表示。多视角数据的各个视角之间通常能够提供互补和相关的信息，而传统方法并不考虑这-一点，因此如何有效提取不同视角的特征且保留各个视角之间的相关性来实现特征降维成为机器学习和数据挖掘近年来的研究热点。基于结构信息保持的特征提取方法通过最大程度上保持原始数据的结构，包括全局结构和局部流形结构来实现特征降维。这些结构可以通过图约束模型来表示，如样本成对相似，K最近邻（ K-Nearest Neighbors， K-NN）。、局部判别模型、局部线性嵌人（LocallyLincarEmbedding，LE）等。在近年来的研究进展中，嵌入矩阵被广泛引人到各类特征提取方法中 ，这些方法通过重构各数据点与全局信息之间的关系，来保留原始的结构。但是将这些方法应用于多视角特征提取时，它们大多只是单独对单视角的特征进行选择，然后将各视角直接相连，导致了各个视角间特征的相关性和部分原始信息的缺失。