特征选择和特征学习中的过完备

       ScSPM的论文中提到了码书的过完备（over-complete）。一开始没有太在意过完备有什么问题，今天想了想把这个概念弄明白了。

       特征学习的过程中，假设学习的码书D的大小为M。每个码字的维数为N。每个原始特征Yi的维数也为N。假设原始特征投影到码书上以后的特征向量是Xi（M维的矢量），那么用D和Xi对Yi重建的过程就是：Yi=D*Xi。

         coding的过程就变成了已知Yi和D，求Xi的过程了。显然这是一个非齐次方程组求解的问题，方程组有解的条件是rank(D)≤M，其中取等号时方程组有唯一解。过完备的定义是M>>N，所以此时rank(D)≤N<<M，此时方程组有无穷多解。（你可能会问，这和最小化平方误差为目标函数不一样啊！其实求个导，就变成这个方程组了。）这就是过完备造成的问题了。怎么办呢？办法就是对Xi做约束------稀疏的约束，这样Xi就有唯一解了。这就是需要加约束的原因。而为什么是稀疏的约束，这在我前两博客（这里和这里）中稍微介绍过，这里就不再废话。

       特征选择的过程，也是一样的。假设此时有n个样本，每个样本有个measurement（这个measurement可以是regression中的output，也可以是classification中的label）。每个样本的特征是p维的，n个样本的特征组成n*p的矩阵A。目标是对这p维特征做一个选择，选择的系数用x记录。此时将如下图所示：

       这与第一个图是等价的，特征选择过程中的over-complete是指p>>n，不加约束的情况下x将有无穷多组解，所以和特征学习一样，加系数的约束。xi为0表示相应的特征不被选择。（而xi<0，等价于取一个|xi|，而将相应的特征的值取负号。）

       如果measurement不是一维的咋办？比如multi-label的问题。我猜测把x的列维数也扩展成相应大小，然后根据label之间的correlation加低秩等约束吧。

 

 

-------------------

作者：jiang1st2010

转载请注明原文地址：http://blog.csdn.net/jwh_bupt/article/details/9969841