Core Concepts
Durch die Integration von Kernelfunktionen und Kernel-Ausrichtung kann ein Modell konstruiert werden, das sowohl lineare als auch nichtlineare Strukturinformationen zwischen Merkmalen erfassen kann. Darüber hinaus ermöglicht ein auf mehreren Kerneln basierender Lernansatz die automatische Generierung des am besten geeigneten Kernels.
Abstract
Der Artikel stellt zwei neuartige Methoden für die unüberwachte Merkmalsauswahl (Unsupervised Feature Selection, UFS) vor, die als Kernel Alignment Unsupervised Feature Selection (KAUFS) und Multiple Kernel Alignment Unsupervised Feature Selection (MKAUFS) bezeichnet werden.
Die Hauptaspekte der vorgeschlagenen Methoden sind:
Um die nichtlinearen Beziehungen zwischen Merkmalen zu erfassen, wird innovativ die Kernel-Ausrichtung in die Modellierung von UFS-Methoden auf der Grundlage des Unterraumslernens eingeführt.
Viele bestehende UFS-Algorithmen auf der Basis der nichtnegativen Matrixfaktorisierung können Datensätze mit negativen Werten nicht verarbeiten. Der vorgeschlagene Algorithmus kann sowohl nichtnegative als auch negative Werte in der Eingabedaten und der Kernelmatrix (Gram-Matrix) handhaben und liefert einen Beweis für die Konvergenz des Algorithmus.
Da die Leistung eines Einzelkernelmodells stark von der Wahl des Kernels abhängt, der normalerweise unbekannt und zeitaufwendig zu bestimmen ist, wird der KAUFS-Ansatz auf den MKAUFS-Ansatz erweitert, indem mehrere Kandidatenkernel konstruiert und zu einem Konsenskern zusammengeführt werden, um dieses Problem zu mildern. Dies ermöglicht es auch, die heterogenen Merkmale realer Datensätze besser zu nutzen.
Stats
Die Auswahl der k besten Merkmale erfolgt durch Sortieren aller d Merkmale in absteigender Reihenfolge entsprechend der L2-Norm-Werte von W.
Quotes
Keine relevanten Zitate gefunden.