子空间学习通过识别能捕捉数据中最重要模式的低维结构,为分析高维数据提供了一种强大的方法。然而,许多现有方法忽略了特征和样本所扮演的雙重角色,导致生成的表达未能捕捉到有效特征选择和表示学习所需的重要的联合依赖性。为了解决这一限制,我们提出了一个统一的框架,称为联合样本-特征子空间学习 via 双向重构用于特征选择(JSF-BRFS)。该模型提出了一个联合优化问题,在双向重构方案下同时学习样本级和特征级的表示。JSF-BRFS整合了两个互补的自表示过程——一个在特征域中,另一个在样本域中——并通过对称的跨空间耦合来强制它们的潜在子空间之间保持一致性。为了提高表示质量,我们进一步引入了结构约束,以促进独立性、可解释性和在所学基础中的局部性保持。为了高效解决这一非凸优化问题,我们开发了一个顺序非光滑编程算法,该算法可以为相应的惩罚问题找到Karush-Kuhn-Tucker点。在多个基准数据集上进行的全面实验表明,JSF-BRFS在聚类准确性和特征选择性能方面一致性地超越了现有的最先进方法。
为了解决这些限制,我们提出了一种称为联合样本-特征子空间学习 via 双向重构用于特征选择(JSF-BRFS)的新框架。该模型在单一的统一公式中同时学习样本级和特征级的表示。它执行两个互补的重构过程:一个用于捕捉特征之间的关系,另一个用于模拟样本之间的依赖性。双向一致性机制使这两个领域对齐,确保从特征和样本学到的表示在结构和意义上是一致的。与许多现有方法不同,JSF-BRFS不依赖于任何预定义的相似性图或外部邻域结构。相反,它通过共同强制执行正交性和非负性来实现内在的局部性保持,这自然地限制了模型学习独立、可解释和基于部分的组件。因此,所提出的框架提供了一个无图但具有局部意识的解决方案,有效地捕捉了数据的双重几何形状,同时保持了可解释性。本工作的主要贡献总结如下:
本节介绍了所提出方法联合样本-特征子空间学习 via 双向重构用于特征选择(JSF-BRFS)背后的主要思想和公式。JSF-BRFS的核心思想是在一个单一的学习模型中研究特征和样本之间的关系。大多数现有的子空间学习方法只关注数据的一个方面。有些方法在特征空间中操作以捕捉特征之间的相关性,而其他方法则在