原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
第４１卷第１１期计算机应用研究Ｖｏｌ４１Ｎｏ１１
２０２４年１１月ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓＮｏｖ．２０２４
面向无监督特征提取的结构化图嵌入
１，２２２
袁凤燕，尹学松，王毅刚
（１．浙江开放大学平湖学院，浙江平湖３１４２００；２．杭州电子科技大学数字媒体技术系，杭州３１００１８）
摘要：特征提取是处理高维数据的最有效工具之一。然而，当前特征提取方法存在两个问题：一是它们没有
同时捕捉数据的局部和全局结构；二是构建的图脱离数据的聚类数，没有与聚类相同的连通分量。为了解决这
些问题，提出了面向无监督特征提取的结构化图嵌入方法（ｓｔｒｕｃｔｕｒｅｄｇｒａｐｈｅｍｂｅｄｄｉｎｇ，ＳＧＥ）。通过构建数据表征
的Ｋ近邻和使用最小二乘回归，ＳＧＥ能够同时保持数据的局部与全局相关结构。而且，ＳＧＥ对表征图的拉普拉斯
矩阵施加秩约束，使构建的最优图具有与ｃ个聚类一致的ｃ个连通分量，从而能揭示数据的聚类结构。因此，ＳＧＥ
能够找到更有判别力的投影。在多个真实数据集的实验表明，ＳＧＥ优于其他主流降维方法。特别是在ＰＩＥ数据集
上，ＳＧＥ的聚类精度比ＬＲＰＰ＿ＧＲＲ的聚类精度高出１８．７％。这些结果表明ＳＧＥ方法可以有效降低数据维数。
关键词：特征提取；局部结构；秩约束；最小二乘回归
中图分类号：ＴＰ１８１文献标志码：Ａ文章编号：１００１３６９５（２０２４）１１０２０３３４３０７
ｄｏｉ：１０．１９７３４／ｊ．ｉｓｓｎ．１００１３６９５．２０２４．０３．００７２
Ｓｔｒｕｃｔｕｒｅｄｇｒａｐｈｅｍｂｅｄｄｉｎｇｆｏｒｕｎｓｕｐｅｒｖｉｓｅｄｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ
１，２２２
ＹｕａｎＦｅｎｇｙａｎ，ＹｉｎＸｕｅｓｏｎｇ，ＷａｎｇＹｉｇａｎｇ
（１．ＰｉｎｇｈｕＳｃｈｏｏｌ，ＺｈｅｊｉａｎｇＯｐｅｎＵｎｉｖｅｒｓｉｔｙ，ＰｉｎｇｈｕＺｈｅｊｉａｎｇ３１４２００，Ｃｈｉｎａ；２．Ｄｅｐｔ．ｏｆＤｉｇｉｔａｌＭｅｄｉａＴｅｃｈｎｏｌｏｇｙ，ＨａｎｇｚｈｏｕＤｉａｎｚｉＵｎｉ
ｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ３１００１８，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｉｓｏｎｅｏｆｔｈｅｍｏｓｔｅｆｆｅｃｔｉｖｅｔｏｏｌｓｆｏｒｐｒｏｃｅｓｓｉｎｇｈｉｇｈｄｉｍｅｎｓｉｏｎａｌｄａｔａ．Ｈｏｗｅｖｅｒ，ｅｘｉｓｔｉｎｇｆｅａｔｕｒｅ
ｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｓｓｕｆｆｅｒｆｒｏｍｔｗｏｐｒｏｂｌｅｍｓ：ｔｈｅｙｄｏｎｏｔｃａｐｔｕｒｅｂｏｔｈｔｈｅｌｏｃａｌａｎｄｇｌｏｂａｌｓｔｒｕｃｔｕｒｅｓｏｆｔｈｅｄａｔａｓｉｍｕｌｔａｎｅｏｕｓ
ｌｙ，ｔｈｅｃｏｎｓｔｒｕｃｔｅｄｇｒａｐｈｉｓｄｉｓｃｏｎｎｅｃｔｅｄｆｒｏｍｔｈｅｎｕｍｂｅｒｏｆｄａｔａｃｌｕｓｔｅｒａｎｄｄｏｅｓｎｏｔｈａｖｅａｎｅｘａｃｔｃｏｎｎｅｃｔｅｄｃｏｍｐｏｎｅｎｔ．Ｔｏ
ａｄｄｒｅｓｓｔｈｅｓｅｉｓｓｕｅｓ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｄａＳＧＥｆｏｒｕｎｓｕｐｅｒｖｉｓｅｄｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ．ＢｙｃｏｎｓｔｒｕｃｔｉｎｇＫｎｅａｒｅｓｔｎｅｉｇｈｂｏｒｇｒａｐｈ
ｆｏｒｄａｔａｒｅｐｒｅｓｅｎｔａｔｉｏｎａｎｄｕｓｉｎｇｌｅａｓｔｓｑｕａｒｅｓｒｅｇｒｅｓｓｉｏｎ，ＳＧＥｃａｎｓｉｍｕｌｔａｎｅｏｕｓｌｙｒｅｓｐｅｃｔｔｈｅｌｏｃａｌａｎｄｇｌｏｂａｌｃｏｒｒｅｌａｔｉｏｎ
ｓｔｒｕｃｔｕｒｅｓｏｆｔｈｅｄａｔａ．Ｍｏｒｅｏｖｅｒ，ｂｙｅｎｆｏｒｃｉｎｇｒａｎｋｃｏｎｓｔｒａｉｎｔｓｏｎｔｈｅＬａｐｌａｃｉａｎｍａｔｒｉｘｏｆｔｈｅｒｅｐｒｅｓｅｎｔ
文档评论（0）