面向複雜數據的稀疏流形學習方法研究

《面向複雜數據的稀疏流形學習方法研究》是依託中國人民解放軍國防科技大學，由雷迎科擔任項目負責人的面上項目。

基本介紹

• 中文名：面向複雜數據的稀疏流形學習方法研究
• 項目類別：面上項目
• 項目負責人：雷迎科
• 依託單位：中國人民解放軍國防科技大學

中文摘要

本項目主要針對大規模、高維數、非線性、噪聲污染等複雜性數據，系統研究基於稀疏表示的流形學習方法，及其在蛋白質相互作用數據中的套用。首先，設計一種基於廣義相關的非負稀疏表示近鄰圖構建模型，有效解決基於K-近鄰或∈-球近鄰準則構圖的流形學習方法對於數據噪聲敏感和鄰域尺度參數選擇難的問題。在此基礎上，提出一種基於最小相關熵的數據流形本徵維數估計方法。接著，設計一種基於局部與全局聯合保持嵌入的稀疏流形學習方法，並針對大規模複雜數據，構建基於最小子集覆蓋和譜回歸混合策略的高效求解方案。最後，提出一種魯棒的基於大規模稀疏流形嵌入的蛋白質相互作用數據去噪方法，為檢測大規模蛋白質相互作用網路中的假陽性與假陰性噪聲問題提供一條新的解決途徑。本項目的開展既能促進機器學習的基礎理論研究，又能推動其在生物信息學領域的套用。

結題摘要

本項目主要針對大規模、高維數、非線性、噪聲污染等複雜性數據，系統研究了基於稀疏表示的流形學習方法，及其在蛋白質相互作用數據集、人臉數據集、植物葉片數據集和通信輻射源數據集上的套用。首先，研究了基於稀疏表示的近鄰圖構建模型，有效解決了基於K-近鄰或 -球近鄰準則構圖的流形學習方法對於數據噪聲敏感和鄰域尺度參數選擇難的問題。在此基礎上，研究了基於測地最小張成樹的數據流形本徵維數估計方法。接著，設計了基於局部與全局聯合保持嵌入的稀疏流形學習方法，並針對大規模複雜數據，構建了基於最小子集覆蓋策略的高效求解方案。最後，將本項目的研究成果套用於蛋白質相互作用、人臉、植物葉片和通信輻射源等大規模、高維數、非線性、噪聲污染等複雜性數據，提出了一種魯棒的基於大規模稀疏流形嵌入的蛋白質相互作用數據去噪方法，為檢測大規模蛋白質相互作用網路中的假陽性與假陰性噪聲問題提供一條新的解決途徑；提出了基於稀疏表示和流形學習的人臉識別、植物葉片識別和通信輻射源個體識別方法，為稀疏流形學習方法的實際工程套用奠定了基礎。本項目的開展既促進了機器學習的基礎理論研究，又推動了稀疏流形學習方法在生物信息學、圖像處理和通信信號處理等領域的套用。