基于子空间字典低秩表示的流形投影学习

打开文本图片集
摘要:低秩表示(Low-Rank Representation,LRR) 能够将每个数据点表示为若干个基的线性组合,是一种获取样本底层低维结构的方法。然而,大多数LRR 方法使用原始数据集作为字典,这不能揭示数据的真实分割。本文提出了基于子空间字典低秩表示的流形投影学习:该方法学习最优子空间作为LRR 问题的字典,而不是使用原始数据集;利用基数最少的方案,低秩表示矩阵能很好地恢复原始数据;通过对投影矩阵施加行稀疏约束,该方法不仅可以选择鉴别性特征并忽略冗余特征,而且使子空间学习具有很好的解释性。(剩余1183字)