凸判别型典型相关分析

受几何平均度量学习(GMML)方法启发,文中提出凸判别型典型相关分析(CDCA).CDCA将学习2个视图的投影矩阵转化为一个测地线凸的度量学习问题,获得一个全局的闭合解,同时直接获得判别性融合特征.在人工数据集和真实数据集上通过实验验证CDCA的有效性.

融入Universum学习的度量学习算法

度量学习通过更真实的刻画样本之间的距离,来提高分类和聚类的精度。GMML(Geometric Mean MetricLearning)在学习度量矩阵A 时,使得在该度量下同类点之间的距离尽可能小,不同类点之间的距离尽可能大。GMML用来学习的训练样本均为目标类数据,而对于现实存在的为数众多的同领域非目标类数据,即Universum数据并未加以利用,不免造成信息的浪费,针对此,提出一种新的度量学习算法——融入Universum学习的GMML(UGMML)。U-GMML期望得到一个新的度量矩阵A ,使得同类点之间的距离尽可能小,不同类点之间的距离尽可能大,且Universum数据与目标类数据的距离尽可能大,从而使得所学习的度量矩阵A 更有利于分类。真实数据集上的实验结果验证了该算法的有效性。