《低秩表示的深度神經網路方法》是依託四川大學，由陳杰擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：低秩表示的深度神經網路方法
- 項目類別：青年科學基金項目
- 項目負責人：陳杰
- 依託單位：四川大學
項目摘要,結題摘要,
項目摘要
大數據表示是大數據分析最核心的環節之一。眾所周知，稀疏表示和低秩表示是數據線性表示的兩大著名數據表示方法。面對日益複雜的大數據，線性表示難以獲得數據深層次的本質特徵。近年來，深度神經網路在數據非線性稀疏表示中取得了不少重要成果。相對於稀疏表示，低秩表示在數學上更具一定的難度。目前，對數據非線性低秩表示神經網路方法的研究尚處於起步階段，相關研究成果較少。本項目研究數據非線性低秩表示的深度神經網路方法，旨在探索一條用深度神經網路表達數據非線性深度低秩特徵的途徑。本項目的研究內容包括：研究低秩去噪自編碼模型，力爭獲取有效的數據非線性低秩表示方式；探索深度神經網路模型層內結構，研究層內數據表示的協作與競爭機制；利用有標籤數據的低秩結構，研究無標籤數據低秩表示方法。由此產生的研究成果將在一些特定大數據分類與識別任務上測試驗證。本項目的研究將對進一步推動大數據分析的發展具有重要的科學意義和實用價值。
結題摘要
大數據表示是大數據分析重要步驟之一。在該項目中，我們提出了多種大數據低秩表示算法。此外，我們將其與深度學習結合，構建了基於低秩表示的深度神經網路。首先，我們提出了一種具有對稱約束的低秩表示算法用於子空間聚類。該算法通過給定一個來自多個子空間構成的數據點集合，恢復每個數據點所在的子空間維度並計算數據點之間的關係。對稱的低秩表示條件保留了高維數據的子空間結構，並可以通過解決凸最佳化問題來進行計算。對稱條件保證了每一對數據點關係權重的一致性，從而可以將處於同一子空間的數據點劃分到一起。此外，通過利用對稱低秩表示的主成方向的角度信息來獲得相似圖矩陣並作為譜聚類的輸入，這是計算數據點之間的相似度關係的關鍵步驟。然後，我們提出了一種對稱低秩保留投影框架，該框架將對稱約束和局部正則化納入子空間學習的低秩表示學習中。在此框架下，我們提出的兩種算法都分別通過結合流形和稀疏性調整有效地利用了局部流形和幾何結構。結合圖嵌入技術，轉換矩陣有效地保留了高維數據的低維結構特徵。再次，我們對多視圖子空間聚類展開了進一步的研究。我們提出了一種多視圖低秩表示算法對多視圖子空間聚類。首先，它採用對稱低秩表示模型刻畫多視圖的多樣性。同其次，它還通過低秩表示之間的相似性來衡量多視圖的一致性。最後，我們提出了對稱低秩表示的融合策略。我們將低秩表示與深度學習結合，提出了一種基於雙向時間卷積網路的情感分析模型，用於中文文本情感分類。實驗結果表示，這些算法與傳統的子空間聚類算法相比，具有更好的魯棒性與有效性。這些研究成果進一步推動了對大數據表示的探索，為大數據分析提供了重要的理論支持。
