论文总结1：关于图结构优化的无监督特征选择

摘要

因为无标签和高维数据的不断增长，无监督特征选择成为了一个重要且具有挑战的问题在机器学习当中。同时无监督学习方法要求构造相似性矩阵，所以使得特征选择依赖于结构的学习。但是现实世界中的数据包含很多噪音，无法完全依赖于相似性矩阵。因此，本文提出一种无监督特征选择的方法能够有效选择特征，同时我们构造的相似性矩阵，能够从数据中获得更精确的有用信息。

相关工作

现有方法的问题：

• 不可靠的相似矩阵
• 近邻分配不当

方法论–SOGFS

1 数据集X，相似性矩阵S，原始目标函数：
2 样本与样本之间的差异载乘上相似性矩阵，同时对相似性矩阵乘上正则化参数作为约束
3 引入拉普拉斯矩阵，用来反映特征对数据集的局部保存特征 同时拉普拉斯矩阵的秩为n-c，这里的c表示连接部分，也就是相关性强的部分
4 再引入W矩阵，XW作为线性连接，且W为稀疏矩阵

这样对原始数据进行了两次筛选，对数据进行权重的设定，选择出较优的样本后，计算图结构，提取结构特征

优化算法

1 利用拉格朗日的KTT条件，构造需要迭代优化求解的目标函数
2 固定S更新W
3 固定S更新F
4 固定W和F更新S
不断迭代直到收敛
关于参数的设置：aifa表示样本邻居的数目
邻居的数目是对样本按照从高到低的顺序依次排序的结果

论文链接：链接：http://pan.baidu.com/s/1mi80dtu 密码：gymm