来源：期刊VIP网 时间：
作者：刘威;朱乙鑫;白润才;高琪;李晓红;
单位：辽宁工程技术大学理学院;辽宁工程技术大学智能工程与数学研究院;辽宁工程技术大学数学与系统科学研究所;辽宁工程技术大学辽宁省高等学校矿产资源开发利用技术及装备研究院;阜新蒙古族自治县职业教育中心;
摘要：针对基于图的无监督特征选择算法存在挖掘数据内在信息不充分，且易受噪声干扰难以获取更具有判别性特征的问题，提出一种基于广义不相关回归和潜在表示学习的无监督特征选择方法 （uncorrelated regression and latent representation for unsupervised feature selection,URLUFS）。该方法将非负矩阵分解作用于广义不相关回归模型的投影矩阵，使投影矩阵实现非线性的维数约简并获得特征选择矩阵。在特征选择矩阵的基础上，引入自适应图学习来进一步挖掘数据的局部流形结构，并对特征选择矩阵施加范数约束以保持稀疏性。利用潜在表示对数据样本间的相互关系进行学习，引导回归模型中的伪标签矩阵，从而选择出更具有判别性的特征。在8个公开的数据集上进行了数值对比实验，实验结果表明：基于广义不相关回归和潜在表示学习的无监督特征选择算法明显优于其他8种无监督特征选择算法。
关键词：无监督特征选择;;广义不相关回归;;非负矩阵分解;;潜在表示学习;;自适应图学习
基金资助：国家自然科学基金项目(52374123);; 辽宁省教育厅高校基本科研项目(LJ212410147013;LJ212410147019);; 辽宁省“兴辽英才计划”项目(XLYC2211085)
