《半監督半配對高維多表示數據的降維及拓展研究》是依託南京航空航天大學，由陳松燦擔任項目負責人的面上項目。
基本介紹
- 中文名：半監督半配對高維多表示數據的降維及拓展研究
- 項目類別：面上項目
- 項目負責人：陳松燦
- 依託單位：南京航空航天大學
項目摘要,結題摘要,
項目摘要
高維多表示數據（多態或多視圖數據及其經變換所得表示數據的總稱）廣泛存在於多媒體處理、多語種文本識別、無線感測網路等領域，對其降維分析是模式識別的重要任務之一，因降維是提高識別系統預測或泛化性能的重要一環。然而此類數據所含的諸如配對、監督和結構等信息給降維帶來了挑戰，如何綜合利用則是實現有效降維的關鍵。現有相關工作僅關注此類數據的單一配對或單一監督信息，忽視了對這些信息的綜合利用，從而導致性能和套用受限。本課題旨在已有工作基礎上，發展出一個能綜合利用各信息的一般性多表示數據降維框架並設計出一系列有效降維算法，以克服現有不足。整個工作圍繞建模、算法設計和實現、理論分析和實驗對比等方面系統展開。此外，鑒於監督信息稀少所導致的現有分類策略的低效，擬拓展研究分類器設計新策略。本項目的研究不僅推廣了現有單純的半配對和單純的半監督降維方法，而且這也是首次對半監督半配對多表示數據開展的研究。
結題摘要
背景：高維多視圖數據的降維是機器學習的主要任務之一，是提高學習泛化性的重要手段。現實多視圖數據中存在的多種形式的不完全配對信息給分析帶來了挑戰，針對這些挑戰，本項目開展了如下研究。 內容：以降維為研究主導，拓展研究多視圖分類學習，並輔之以其基礎的單視圖學習研究，側重圍繞多（和單）視圖數據在給定各種不充分信息情形下的（1）降維；（2）分類和（3）單視圖分析等展開。內容涉及建模、算法設計和實現、相關的理論分析和實驗對比等研究，並取得如下主要成果： （1）多視圖數據降維方面，針對多視圖數據中僅有部分或沒有任何監督信息或僅有部分配對信息可用前提下，建立了一個統一的半監督半配對廣義相關分析框架（S2GCA），由此將現有一系列相關分析，如CCA、半配對CCA （SemiCCA和Semi-LRCCA）、半監督CCA和判別CCA（DCCA）等納入其中。它的一般性使其能靈活用於多態數據分析。已獲18次他引，包括11次SCI他引。受該框架啟發，進一步提出了（1.1）一個無監督半配對的鄰域相關分析框架，（1.2）一個僅有部分跨域輔助約束信息的協同多視圖度量學習方法，（1.3）一個適合處理有序多視圖判別信息的相關分析方法，（1.4）一個多視圖矩陣高斯圖模型的聯合稀疏學習法和（1.5）一個適合高低解析度圖像判別的單一相關分析框架，避免了同類兩步建模法的次優性。 （2）多視圖數據分類學習方面，提出了一系列多視圖分類學習法，如，一個基於回響曲面技術的正則化多視圖機,一個利用多經驗核的隨機投影集成學習機，一個基於多態腦圖像疾病診斷的半監督相關支持向量回歸機和一個多態多任務特徵分析機等。（3）單視圖數據分析方面，提出了一系列以Laplace圖為基礎的降維框架和算法，如，一個自適應圖構建與降維的聯合分析框架和首個Universum判別分析法.同時提出了若干分類學習算法，如，一個結合數據粒度三重結構的分類學習機，一個結合類編碼正交性的多分類學習機，一個具有安全意識的半監督可靠學習法和一個基於不定核的判別性驅動的正則化學習框架，等等。諸單視圖學習方法可結合多視圖數據的可用信息而發展出對應的多視圖學習方法。 上述成果（26篇SCIE+5篇核心期刊論文）已有113次他引，包括SCI64次，培養畢業碩/博士生8人。
