Semi-Supervised Kernel PCA
Semi-Supervised Kernel PCA
复制标题
半监督核PCA
DOI：
--
复制
发表时间：
2010
期刊：
影响因子：
--
通讯作者：
L. K. Hansen
中科院分区：
文献类型：
--
作者：
Christian J. Walder;Ricardo Henao;Morten Mørup;L. K. Hansen
我们提出了核主成分分析 (KPCA) 的三种概括，其中结合了数据点子集的类标签知识。第一个是 MV-KPCA，它对类内方差进行惩罚，类似于 Fisher 判别分析。第二个，LSKPCA 是最小二乘回归和核 PCA 的混合体。最终的 LR-KPCA 是之前版本的迭代重新加权版本，它在标记点上实现了 sigmoid 损失函数。我们提供了理论风险界限以及真实数据集和玩具数据集的说明性实验。
We present three generalisations of Kernel Principal Components Analysis (KPCA) which incorporate knowledge of the class labels of a subset of the data points. The first, MV-KPCA, penalises within class variances similar to Fisher discriminant analysis. The second, LSKPCA is a hybrid of least squares regression and kernel PCA. The final LR-KPCA is an iteratively reweighted version of the previous which achieves a sigmoid loss function on the labeled points. We provide a theoretical risk bound as well as illustrative experiments on real and toy data sets.