多通道Laplacian矩阵融合的超图直推学习模型

超图直推学习模型是机器学习领域研究热点.超图模型的性能取决于构造的超图结构及其Laplacian矩阵的质量.现有超图模型基于单一超图结构,信息表达能力有限.本文提出超图结构扩张法,将异构超图的关联矩阵和权重矩阵拼接,融合更多的顶点间全局高阶信息,增加Markov随机游走的扩散范围.但这会导致矩阵维度高,计算开销大.因此进一步提出多通道Laplacian矩阵融合法,用多个通道计算异构超图结构各自的Laplacian矩阵,再加权累加.在4个数据集上的实验表明,两种方法都能提高超图直推学习模型的分类性能,且Laplacian矩阵融合法比结构扩张法平均节约40%左右时间成本,F1指标最高提升8.4%.

基于超图和样本自表征的谱聚类算法

针对传统谱聚类算法仅考虑数据点对点间的相互关系而未考虑数据间可能隐藏的复杂的相关性的问题,提出一种基于超图和自表征的谱聚类方法。首先,建立数据的超图,得到超图的拉普拉斯矩阵表示;然后利用l_(2,1)-范数对样本进行行稀疏自表征,同时融入超图来描述数据间多层次的相互关系;最后,利用生成的自表征系数进行谱聚类。利用基于超图的样本自表征技术考虑了样本之间复杂的相关性。通过在Hopkins155等数据集上的实验表明,在聚类错误率评判标准下,算法优于现有基于普通图的谱聚类算法SSC、SRC等。

超图拉普拉斯稀疏编码在图像识别中的应用

稀疏编码已经成为一种有效的降维方法。由于编码字典的超完备性、特征之间的局部邻接信息和相似度在编码过程中丢失而降低了稀疏编码的识别率。为了保护特征之间的距离关系和相似信息,提出一种超图稀疏编码框架。这种结构融合相似度权重进入稀疏编码计算过程中,同时结合超图理论,对稀疏编码方法进行改进,增强了稀疏编码的鲁棒性。最后,在Caltech及Scene两大场景数据库上的实验验证了所提方法的有效性。