面向无监督特征提取的结构化稀疏图学习.pdfVIP

计算机科学与探索1673-9418/2025/19(04)-0964-12

JournalofFrontiersofComputerScienceandTechnologydoi:10.3778/j.issn.1673-9418.2406069

面向无监督特征提取的结构化稀疏图学习

1,21,2+1,21

朱奕珂，丁建浩，尹学松，王毅刚

1.杭州电子科技大学人文艺术与数字媒体学院，杭州310018

2.杭州电子科技大学温州研究院温州微纳传感与物联网重点实验室，浙江温州325038

+通信作者E-mail:djh@

摘要：无监督特征提取因解决高维数据造成的“维度灾难”问题而受到越来越多的关注。然而，现有方法通常构建

低秩图或者近邻图来寻找高维数据的投影方向，忽略了数据的全局相关结构和表征的稀疏性。为了解决这些问题，

提出了一种新的降维方法，被称为面向无监督特征提取的结构化稀疏图学习（SSGL）。SSGL方法使用表征来构建

样本之间的最近邻图来保持数据的局部结构，使用最小二乘回归来建模数据的全局相关结构。因此，SSGL能够同

时保持数据的局部和全局相关结构。此外，SSGL使用稀疏正则化断开亲和图中不同聚类样本之间的连接，从而使

得学到的投影更具有判别力。为了验证SSGL的有效性，在八个公共图像数据集上进行了大量实验。结果表明，SSGL

在聚类精度方面优于其他先进的特征提取方法，显著提升了聚类效果和分类性能。

关键词：特征提取；稀疏图；亲和关系；局部结构

文献标志码：A中图分类号：TP181

StructuredSparsityGraphLearningforUnsupervisedFeatureExtraction

ZHUYike1,2,DINGJianhao1,2+,YINXuesong1,2,WANGYigang1

1.SchoolofMediaandDesign,HangzhouDianziUniversity,Hangzhou310018,China

2.KeyLaboratoryofMicro-nanoSensingandIoTofWenzhou,WenzhouInstituteofHangzhouDianziUniversity,

Wenzhou,Zhejiang325038,China

Abstract:Unsupervisedfeatureextractionhasgarneredincreasingattentionforalleviatingthe“curseofdimensionality”

problemposedbyhigh-dimensionaldata.However,existingmethodstypicallyconstructlow-rankgraphsornearestneigh-

borgraphstofindtheprojectiondirectionofhigh-dimensionaldata,overlookingtheglobalstructuralcorrelationandspar-

sityofrepresentation.Toaddresstheseissues,anoveldimensionalityreductionmethodcalledstructuredsparsegraph

learning-basedunsupervisedfeatureextraction(SSGL)isproposed.TheSSGLmethodutilizesrepresentationtoconstruct

nearestneighborgraphsbetweensamplestopreservethelocalstructureofthedataandusesleastsquaresregressionto

modeltheglobalstructuralcorrelatio