论文研究基于属性自表达的低秩超图属性选择算法.pdf

针对高维数据具有低秩形式和属性冗余等特点，提出一种基于属性自表达的无监督超图属性选择算法。该算法首先利用属性自表达特点用其他属性稀疏地表达每个属性，此自表达形式使用低秩假设寻找高维数据的低秩表示，然后建立超图正则化因子保持高维数据的局部结构，最后利用稀疏正则化因子进行属性选择。属性自表达特性确定属性的重要性，低秩表示相当于考虑数据的全局信息进行子空间学习，超图正则化因子考虑数据的局部结构对数据进行子空间学习。该算法实际上考虑数据全局和局部信息进行子空间学习，更是一种嵌入了子空间学习的属性选择算法。实验结果表明，该算法相比其他对比算法，能更有效地选取属性，并能取得很好的分类效果。