Unsupervised soft-label feature selection
Unsupervised soft-label feature selection
复制标题
无监督软标签特征选择
DOI：
10.1016/j.knosys.2021.106847
复制
发表时间：
2021-05
影响因子：
8.8
通讯作者：
Huaxiang Zhang
中科院分区：
文献类型：
--
作者：
Fei Wang;Lei Zhu;Jingjing Li;Haibao Chen;Huaxiang Zhang
无监督特征选择是各个研究领域的一项重要任务。由于缺乏标签指导，在无监督场景下很难选择判别性特征。最近的工作采用伪标签来指导特征选择。然而，它们从原始特征空间生成伪标签，其中噪声、冗余和异常值可能会降低伪标签的质量。此外，他们忽略数据模糊性并使用硬标签作为特征选择的语义监督，因此所选择的特征遭受严重的信息丢失和语义短缺。为了解决这些问题，我们提出了一种有效的无监督软标签特征选择（USFS）模型，该模型执行软标签学习，同时用学习到的软标签指导无监督特征选择过程。具体来说，我们将数据转换为低维子空间，其中基于局部距离学习具有稀疏约束的亲和力矩阵。亲和力矩阵被确定为软标签矩阵，并进一步用于指导最终的特征选择过程。推导了一种简单而有效的优化方法来迭代解决公式化的问题。在广泛测试的基准上取得的有希望的实验结果证明了所提出的方法与最先进的方法相比的优越性。出于可重复性的目的，我们在 https://github.com/wang-feifei/USFS-code 提供了代码和测试数据集。
Unsupervised feature selection is an important task in various research fields. It is difficult to select the discriminative features under unsupervised scenario due to the absence of label guidance. Recent works employ the pseudo labels to guide feature selection. However, they generate pseudo labels from the original feature space, where noises, redundancies and outliers may degrade the quality of pseudo labels. Besides, they ignore data fuzziness and use hard-labels as the semantic supervision of feature selection, thus the selected features suffer from significant information loss and semantic shortage. To tackle these problems, we propose an effective Unsupervised Soft-label Feature Selection (USFS) model, which performs soft-label learning and simultaneously guides the unsupervised feature selection process with the learned soft-labels. Specifically, we transform the data to low-dimensional subspace where the affinity matrix with sparse constraint is learned based on the local distances. The affinity matrix is determined as the soft-label matrix and further employed to guide the ultimate feature selection process. A simple yet efficient optimization method is derived to iteratively solve the formulated problem. Promising experimental results on widely tested benchmarks demonstrate the superiority of the proposed method compared with state-of-the-art approaches. For the purpose of reproducibility, we provide the code and testing datasets at https://github.com/wang-feifei/USFS-code.
登录
查看更多内容
用于可扩展多媒体检索的灵活多模式散列
影响因子：
5
作者：
Lei Zhu;Xu Lu;Zhiyong Cheng;Jingjing Li;Huaxiang Zhang
通讯作者：
Huaxiang Zhang
DOI：
--
发表时间：
2000-09
期刊：
--
影响因子：
--
作者：
E. Douglas-Cowie;R. Cowie;Marc Schröder
通讯作者：
E. Douglas-Cowie;R. Cowie;Marc Schröder
影响因子：
5.3
作者：
Deqiong Ding;Fei Xia;Xiaogao Yang;Chang Tang
通讯作者：
Deqiong Ding;Fei Xia;Xiaogao Yang;Chang Tang
DOI：
10.1007/bfb0015522
发表时间：
1996-04
期刊：
--
影响因子：
--
作者：
P. Belhumeur;J. Hespanha;D. Kriegman
通讯作者：
P. Belhumeur;J. Hespanha;D. Kriegman
用于无监督特征选择的具有自适应图的广义不相关回归模型
DOI：
10.1109/tnnls.2018.2868847
发表时间：
2019-05-01
影响因子：
10.4
作者：
Li, Xuelong;Zhang, Han;Nie, Feiping
通讯作者：
Nie, Feiping