度量两个矩阵的相似性

问题

如果有2个矩阵 Y ∈ R n × q Y \in R^{n \times q} YRn×q Z ∈ R n × c Z \in R^{n \times c} ZRn×c ,如何度量两个矩阵的相似性?

回答

采用The Hilbert-Schmidt Independence Criterion (HSIC)进行度量。
H S I C ( Z , Y ) = ( n − 1 ) − 2 T r ( H K H Q ) HSIC(Z, Y) = (n − 1)^{-2}Tr(HKHQ) HSIC(Z,Y)=(n1)2Tr(HKHQ)
其中, K = Z Z T K = ZZ^T K=ZZT and Q = Y Y T Q = YY^T Q=YYT are the inner
product of instances in Z and Y respectively and H = I − 1 n e e T H = I − \frac{1}{n} ee^T H=In1eeT and
I I I denote the identity matrix(单位矩阵),and e e e be a vector of all ones.

理解

  • 计算结果值越大,表示越接近。

参考:
[1] Huang R, Wu Z. Multi-label feature selection via manifold regularization and dependence maximization[J]. Pattern Recognition, 2021, 120: 108149.
[2] Gretton A , Bousquet O , Smola A , et al. Measuring Statistical Dependence with Hilbert-Schmidt Norms[J]. Springer, Berlin, Heidelberg, 2005.

  • 2
    点赞
  • 17
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
近年来,随着机器学习、数据挖掘等领域的不断发展,度量两个矩阵的差异性的方法也不断涌现。以下是近几年常用的几种方法: 1. 矩阵分解方法(Matrix Factorization-based Methods):矩阵分解是一种将矩阵分解为两个或多个矩阵方法。通过比较分解后的矩阵之间的差异,可以度量原始矩阵之间的差异性。常用的矩阵分解方法包括奇异值分解(SVD)、非负矩阵分解(NMF)等。 2. 核方法(Kernel-based Methods):核方法是一种将数据映射到高维空间中的方法,通过计算数据在高维空间中的相似性度量两个矩阵之间的差异。常用的核方法包括核主成分分析(Kernel PCA)、核判别分析(Kernel Discriminant Analysis)等。 3. 深学习方法(Deep Learning-based Methods):深学习是一种通过多层神经网络来学习数据特征的方法。通过将两个矩阵输入到深神经网络中,可以学习它们的特征表示,并度量它们之间的差异。常用的深学习模型包括卷积神经网络(Convolutional Neural Networks, CNNs)、循环神经网络(Recurrent Neural Networks, RNNs)等。 4. 图像处理方法(Image Processing-based Methods):图像处理方法可以用于处理矩阵形式的图像数据,通过比较两个图像之间的像素点差异来度量它们之间的差异。常用的图像处理方法包括细化算法(Thinning Algorithm)、轮廓算法(Contour Algorithm)等。 以上是近几年常用的几种度量两个矩阵差异性的方法,这些方法各有优劣,需要根据具体问题选择合适的方法进行分析。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值