lameraaa的博客

基本信息论文：《Attention Is All You Need》作者：Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser, Lizhe Wanga,Illia Polosukhin年份： 2017参考：沐神的讲解: https://www.bilibili.com/video/BV1pu411o7BE?spm_id_from=333.999.

基本信息论文：《Robust unsupervised feature selection via dual self-representation andmanifold regularization》作者： Chang Tanga, Xinwang Liub, Miaomiao Li b, Pichao Wangc,∗, Jiajia Chend,∗, Lizhe Wanga,Wanqing Li年份： 2018主要思想以前存在的问题：之前的基于图的正则化自表示的无监督特征选择方法中至少

文章目录思想模型参考论文：Low-Rank Preserving Projection Via Graph Regularized Reconstruction作者：Jie Wen, Na Han, Xiaozhao Fang , Lunke Fei, Ke Yan, and Shanhua Zhan思想  近些年，基于低秩的特征提取方法，由于他对噪声的鲁棒性和揭示数据固有全局结构方面的良...

gDLPCA文章目录思想PCAgLPCAgDLPCA优化求解gDLPCA算法参考论文：Graph-dual Laplacian principal component analysis作者：Jinrong He · Yingzhou Bi · Bin Liu · Zhigao Zeng思想  近年来，研究表明，高维数据不仅存在于数据空间的低维流形上，特征也存在于特征空间的流形上。然而PC...

RSR参考论文：Unsupervised feature selection by regularized self-representation作者：Pengfei Zhu , Wangmeng Zuo , Lei Zhang , Qinghua Hu , Simon C.K. Shiu模型该模型中，特征矩阵由它本身表示，来找到具有代表性的特征分量。用L2,1L_{2,1}L2,1​范数...

IRPCA参考论文：Inductive Robust Principal Component Analysis作者：Bing-Kun Bao, Guangcan Liu, Member, IEEE,   Changsheng Xu, Senior Member, IEEE,   and Shuicheng Yan, Senior Member, IEEEPCAPCA由于F范数，对噪声和...

SVT的求解目标函数：minE1β∣∣E∣∣∗+12∣∣E−B∣∣F2min_E\frac{1}{\beta}||E||_*+\frac{1}{2}||E-B||_F^2minE​β1​∣∣E∣∣∗​+21​∣∣E−B∣∣F2​用SVT对其进行求解：第一步：求BBB的奇异值分解（SVD），这里B∈Rd∗T,rank(B)=rB∈R^{d*T},rank(B)=rB∈Rd∗T,rank(B...

LatLRR文章目录LatLRRLRRLatLRR参考论文：Latent Low-Rank Representation for Subspace Segmentation and Feature Extraction作者：Guangcan Liu， Shuicheng YanElectrical and Computer Engineering, National University ...

LPP类似于PCA，LPP也是一个非监督降维方法。PCA保留了数据的全局结构，而LPP保持数据的局部结构。LPP的目标函数如下：12∑ijnHij∣∣yi−yj∣∣22\frac{1}{2}\sum_{ij}^nH_{ij}||y_i-y_j||_2^221​ij∑n​Hij​∣∣yi​−yj​∣∣22​其中yi=pTxiy_i=p^Tx_iyi​=pTxi​和yj=pTxj,i=1,2,.....

稀疏保持投影文章目录稀疏保持投影一、主要思想二、算法步骤参考论文：sparsity preserving projections with applications to face recognition作者：Lishan Qiao,Songcan Chen,Xiaoyang Tan 2010一、主要思想 线性降维方法：PCAf关注于全局，但对于非线性的数据结构，PCA的结果并不...

局部线性嵌入(Locally Linear Embedding，以下简称LLE)也是非常重要的降维方法。和传统的PCA，LDA等关注样本方差的降维方法相比，LLE关注于降维时保持样本局部的线性特征，由于LLE在降维时保持了样本的局部特征，它广泛的用于图像图像识别，高维数据可视化等领域。下面我们就对LLE的原理做一个总结。1、流形学习概述  LLE属于流形学习(Manifold Learning...

PCA主成分分析给定一组数据  {x1,x2,...,xnx_1,x_2,...,x_nx1​,x2​,...,xn​}预处理 将每一维特征的均值中心化，方差归一化u=1n∑i=1nxiu = \frac {1}{n}\sum_{i=1}^nx_iu=n1​∑i=1n​xi​    // uuu就是数据中心{x1,x2,...,xnx_1,x_2,...,x_nx1​,...

局部保持投影（LPP）论文：《Locality Preserving Projections》作者：何小飞（2003）一、摘要：   LPP应该被视为PCA的替代方法。PCA是一种经典的线性技术，他沿着最大方差的方向投影数据。当高维数据位于嵌入外围空间的低维流形上是，通过求流行上 Laplace Beltrami算子特征函数的最优特征逼近，得到局部保持投影。因此，LPP具有许多非线性技术的数...