论文研究 基于低秩正则化自表示的无监督特征选择

特征选择旨在通过删除冗余，不相关和嘈杂的特征来找到一组简洁且具有良好泛化能力的特征。 最近，提出了一种正则化自表示（RSR）方法，该方法通过最小化残差矩阵和自表示系数矩阵的L2,1范数来进行无监督特征选择。 在本文中，我们发现最小化自表示系数矩阵的L2,1范数不能有效地提取具有强相关性的特征。 因此，通过在自表示系数矩阵的核范数上增加最小约束，提出了一种新的无监督特征选择方法，称为低秩正则化自表示（LRRSR），可以有效地发现数据的整体结构。 实验表明，与RSR和其他相关算法相比，该算法在聚类任务上具有更好的性能。