Robust Joint Graph Sparse Coding for Unsupervised Spectral Feature Selection

In this paper, we propose a new unsupervised spectral feature selection model by embedding a graph regularizer into the framework of joint sparse regression for preserving the local structures of data. To do this, we first extract the bases of training data by previous dictionary learning methods an...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	IEEE transaction on neural networks and learning systems Ročník 28; číslo 6; s. 1263 - 1275
Hlavní autoři:	Zhu, Xiaofeng, Li, Xuelong, Zhang, Shichao, Ju, Chunhua, Wu, Xindong
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	United States IEEE 01.06.2017 The Institute of Electrical and Electronics Engineers, Inc. (IEEE)
Témata:	Coding Computational modeling Data models Design optimization Dimensionality reduction Embedding Encoding Graphical representations Learning systems Linear programming manifold learning Manifolds Objective function Outliers (statistics) regression Robustness Robustness (mathematics) sparse coding State of the art
ISSN:	2162-237X, 2162-2388, 2162-2388
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!