通过迭代加权PCA进行稳健的局部切线空间对齐

最近,多种学习在机器学习和相关社区中引起了广泛的兴趣。 本文研究了噪声流形学习问题,这是将流形学习算法应用于实际问题的关键问题。 我们提出了称为RLTSA的LTSA算法的强大版本。 提出的RLTSA算法从三个方面使LTSA具有更高的鲁棒性:首先,采用基于迭代加权PCA的鲁棒PCA算法代替标准SVD,以减少噪声对局部切线空间坐标的影响。 其次,LTTSA选择与本地坐标近似的邻域以与全局坐标对齐; 第三,在对准步骤中,通过将干净数据点和具有不同权重的噪声数据点赋予局部对准误差,进一步减小了噪声对嵌入结果的影响。 综合数据集和真实数据集上的实验证明了我们的RLTSA在处理噪声歧管时的有效性。