Random Manifold Sampling and Joint Sparse Regularization for Multi-label Feature Selection

要約

マルチラベル学習は通常、特徴とラベルの間の相関関係をマイニングするために使用され、特徴選択は少数の特徴を通じて可能な限り多くの情報を保持できます。
$\ell_{2,1}$ 正則化法は疎な係数行列を得ることができますが、多重共線性の問題を効果的に解決することはできません。
この論文で提案されたモデルは、$\ell_{2,1}$ および $\ell_{F}$ 正則化の結合制約付き最適化問題を解くことによって、最も関連性の高いいくつかの機能を取得できます。多様体正則化では、ベースのランダム ウォーク戦略を実装します。
さらに、モデルを解くためのアルゴリズムを与え、その収束性を証明しました。実世界のデータセットでの比較実験により、提案された方法が他の方法よりも優れていることが示されました。

要約(オリジナル)

Multi-label learning is usually used to mine the correlation between features and labels, and feature selection can retain as much information as possible through a small number of features. $\ell_{2,1}$ regularization method can get sparse coefficient matrix, but it can not solve multicollinearity problem effectively. The model proposed in this paper can obtain the most relevant few features by solving the joint constrained optimization problems of $\ell_{2,1}$ and $\ell_{F}$ regularization.In manifold regularization, we implement random walk strategy based on joint information matrix, and get a highly robust neighborhood graph.In addition, we given the algorithm for solving the model and proved its convergence.Comparative experiments on real-world data sets show that the proposed method outperforms other methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google