半监督典型相关分析算法.pdfVIP

ISSN 1000-9825，CODEN RUXUEW E—mail：jos@iscas．ac．en JournalofSoftware，Vo1．19，No．11，November2008，PP．2822—2832 http：／w／ww．jos．org．en DOI：l0．3724／SP．J．1O01．2008．02822 T I，Fax：+86．10 @2008byJournalofSofwtare．Allrightsreserved． 半监督典型相关分析算法 彭 岩，张道强 (南京航空航天大学 计算机科学与工程系，江苏 南京 210016) Semi-SupervisedCanonicalCorrelationAnalysisAlgorithm PENGYan，ZHANGDao．Qiang (DepartmentofComputerScienceandEngineering，NanjingUniversityofAeronauticsandAstronautics，Nanjing210016，China) +Correspondingauthor：E—mail：dqzhang@nuaa．edu，cn PengY，ZhangDQ．Semi—Supervisedcanonicalcorrelationanalysisalgorithm．JournalofSoftware，2008， 19(11)：2822—2832．http：／w／wwjos．org．cn／lO00—9825／19／2822．htm Abstract： Inthispaper,asemi-supervisedcanonicalcorrelationanalysisalgorithm calledSemi—CCAisdeveloped， whichusessupervisioninformationintheformofpair-wiseconstraintsincanonicalcorrelationanalysis(CCA)．In thissetting，besidesabundantunlabeleddataexamples，thedomainknowledgeintheofrm ofpair—wiseconstraints whichspecifywhetherapairofdataexamplesbelongstothesameclass(must—linkconstraints)ornot(cannot—link constraints)isalso available．Meanwhile，therelativeimportanceofmust—linkconstraintsand cannot—link constraintsisvalidated．Experimentalresultsontheartificialdataset，multiplefeaturedatabaseandfacialdatabase includingYaleandAR show thattheproposedSemi—CCA can effectivelyenhancetheclassifierperfomr anceby usingonlyasmallamountofsupervisioninfomr ation． Keywords： canonicalcorrelation analysis；semi-·supervised learning；pair--wise constraints；dimensionality reduction；classification 摘 要： 在典型相关分析算~(canonicalcorrelationanalysis，简称CCA)的基础上，通过引入以成对约束形式给出 的监督信息，提出了一种半监督的典型相关分析算~(Semi—CCA)．在此算法中，除了考虑大量的无标号样本以外， 还考虑成对约束信息，即已知两样本属于同一类(正约束)或不属于同一类(负约束)，同时验证 了两者的相对重要 性．在人工数据集、多特征手写体数据集和人脸数据集(Yale和 AR)_E的实验结果表明，Semi．CCA 能够有效地 利用少量的监督信息来提高分类性能． 关键词： 典型相关分析；半监