《面向高維數據的稀疏非參核學習方法研究》是依託中國礦業大學，由劉兵擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：面向高維數據的稀疏非參核學習方法研究
- 項目類別：青年科學基金項目
- 項目負責人：劉兵
- 依託單位：中國礦業大學
項目摘要,結題摘要,
項目摘要
非參核學習方法繞過預先定義核函式這一傳統思路，直接面向最終的核矩陣建立最佳化模型，增強了解決複雜模式分析問題的能力，因此成為近年來核學習方法研究的熱點之一。但是，原始數據的高維度會導致現有非參核學習模型的性能大幅下降或不適定問題的出現，同時，現有非參核學習模型的稀疏性研究大多集中在分析核矩陣的低秩性，而忽視了核擴展係數的稀疏性。針對上述問題，本項目擬將非參核維數約簡與面向具體學習任務的非參核學習方法融合，提出面向高維數據的稀疏非參核學習方法，以克服現有不足。主要研究內容包括：1）建立基於非參核的維數約簡模型並提出快速最佳化算法；2）結合非參核維數約簡模型，建立面向高維數據的一般性稀疏非參核學習框架並設計出一系列有效最佳化算法；3）將提出的非參核學習框架套用於圖像識別，提出基於非參核的圖像識別方法。通過本項目的研究，我們將為非參核學習理論提供一些新的最佳化模型、新的學習算法以及在實際數據集上的套用。
結題摘要
非參核學習方法繞過預先定義核函式這一傳統思路，直接面向最終的核矩陣建立最佳化模型，增強了解決複雜模式分析問題的能力，因此成為近年來核學習方法研究的熱點之一。但是，原始數據的高維度會導致現有非參核學習模型的性能大幅下降或不適定問題的出現，同時，現有非參核學習模型的稀疏性研究大多集中在分析核矩陣的低秩性，而忽視了核擴展係數的稀疏性。針對上述問題，本項目擬將非參核維數約簡與面向具體學習任務的非參核學習方法融合，提出面向高維數據的稀疏非參核學習方法，以克服現有不足。主要研究內容包括：1）建立基於非參核的維數約簡模型並提出快速最佳化算法；2）結合非參核維數約簡模型，建立面向高維數據的一般性稀疏非參核學習框架並設計出一系列有效最佳化算法；3）將提出的非參核學習框架套用於圖像識別，提出基於非參核的圖像識別方法。通過本項目的研究，我們將為非參核學習理論提供一些新的最佳化模型、新的學習算法以及在實際數據集上的套用。本項目以聚類和分類問題作為切入點，建立了面向高維數據的稀疏非參核學習最佳化模型、提出了基於譜回歸的高效非線性維數約簡算法、面向高維數據的非線性數據嵌入譜聚類算法以及面向高維數據識別的核稀疏表示分類方法。對提出的這些方法進行了實驗驗證，與傳統方法相比，在標準高維數據集上的非參核性能明顯優於傳統方法，不僅增強了傳統核學習算法的魯棒性，而且具有較快的學習效率。提出的模型和算法可以廣泛套用於針對高維數據的核方法領域，因此具有較高的學術價值和廣闊的套用前景。
