Seleção de Características Não Supervisionada Usando Análise Espectral Não Negativa

Neste artigo, um novo algoritmo de aprendizado não supervisionado, denominado Seleção de Características Discriminativas Não Negativas (NDFS), é proposto. Para explorar as informações discriminativas em cenários não supervisionados, realizamos agrupamento espectral para aprender os rótulos de clusters das amostras de entrada, durante o qual a seleção de características é realizada simultaneamente. O aprendizado conjunto dos rótulos de clusters e da matriz de seleção de características permite que o NDFS selecione as características mais discriminativas. Para aprender rótulos de clusters mais precisos, uma restrição não negativa é imposta explicitamente aos indicadores de classe. Para reduzir as características redundantes ou até mesmo ruidosas, uma restrição de minimização da norma l2,1 é adicionada à função objetivo, o que garante que a matriz de seleção de características seja esparsa em linhas. Nosso algoritmo explora simultaneamente a informação discriminativa e a correlação de características para selecionar um melhor subconjunto de características. Um algoritmo iterativo simples, mas eficiente, é projetado para otimizar a função objetivo proposta. Resultados experimentais em diferentes conjuntos de dados do mundo real demonstram o desempenho encorajador do nosso algoritmo em relação ao estado da arte.