论文部分内容阅读
在当前计算机领域,需要处理的数据维数越来越高,作为一种有效的降维方法,特征选择得到越来越多的关注。 本文回顾了常见的几类特征选择方法:基于判别性信息的特征选择、保持空间结构的特征选择、基于范数最小化的特征选择等。其中,范数最小化技术因为其灵活性和易扩展性,得到广泛应用。本文基于这一技术,提出两种特征选择的方法。 首先,本文考虑了数据之间的关系,即数据间的判别性信息以及核空间数据间的距离信息:对于无标签数据,如果能够利用判别性信息,结果便能够得到进一步改善。而对于非线性数据,因为它在核空间下会有更好的分离性,若能够直接在核空间选择特征则更加自然。基于此,本文利用L2,1范数最小化,提出一种可以利用判别性信息的核空间特征选择方法。 另外,本文考虑了特征之间的关系,即特征点的空间连通性。在医学图像领域,起作用的特征往往具有空间连通性。因此,本文基于L2,1范数最小化,还提出了一种考虑空间连通性特征选择的多任务学习方法。它基于体素特征在大脑空间中的距离关系,构造出特征关系图,选择出空间连通的特征点;并采用任务图结构包含了任务之间的关联信息。