改进的POTTS模型及其数据多分类直推学习算法

借助于图上离散非局部算子,计算机视觉领域图像分割的Potts模型可直接应用于数据多分类直推学习,但为受多种约束的能量泛函极值问题。采用传统的惩罚函数方法将受约束优化问题转化为无约束优化问题的求解涉及多个难以设定的惩罚参数。通过用较少的标记函数设计每类数据的特征函数自然满足原有的Simplex约束避免了对这类约束的惩罚。通过直接投影方法保证了直推学习中预设标记点精确约束进一步减少了能量泛函中惩罚项及惩罚参数的数量。对平衡分类约束和变量分裂引起的约束通过设计ADMM(Alternating Direction Method of Multipliers)方法降低了对惩罚参数的过分依赖。通过对多个标准数据集进行数值实验验证了所提出模型和算法的有效性。