摘要: 近期，中國(guó)科學(xué)院合肥物質(zhì)科學(xué)學(xué)習(xí)院智能機(jī)械學(xué)習(xí)所副學(xué)習(xí)員桂杰在稀疏研究學(xué)習(xí)方面的綜述文章發(fā)表在IEEE Transactions on Neural Networks and Learning Systems (TNNLS)的第七期中�！ 〗陙�，稀疏研究作為 ...
近期，中國(guó)科學(xué)院合肥物質(zhì)科學(xué)學(xué)習(xí)院智能機(jī)械學(xué)習(xí)所副學(xué)習(xí)員桂杰在稀疏研究學(xué)習(xí)方面的綜述文章發(fā)表在IEEE Transactions on Neural Networks and Learning Systems (TNNLS)的第七期中。 近年來，稀疏研究作為機(jī)器研究和模式識(shí)別領(lǐng)域的一個(gè)學(xué)習(xí)熱點(diǎn)，已經(jīng)應(yīng)用到機(jī)器研究和模式識(shí)別的很多子領(lǐng)域，包括分類、聚類和子空間研究等。桂杰等首先給出了稀疏研究綜述，并著重學(xué)習(xí)了結(jié)構(gòu)化稀疏研究在特征選擇方法中的應(yīng)用問題。 特征選擇是諸多模式識(shí)別領(lǐng)域面臨的一個(gè)關(guān)鍵技術(shù)挑戰(zhàn)。隨著大數(shù)據(jù)時(shí)代的來臨，模式識(shí)別經(jīng)常需要處理高維的數(shù)據(jù)。特征選擇算法用于從原始的特征子集中選擇相關(guān)的特征子集，這樣有利隨后的分類、聚類等分析學(xué)習(xí)。近年來，基于結(jié)構(gòu)化稀疏的特征選擇算法受到廣泛關(guān)注，已經(jīng)有大量算法被提出。然而，關(guān)于這些結(jié)構(gòu)化稀疏的特征選擇算法之間的聯(lián)系以及它們是如何演化的，沒有得到系統(tǒng)的學(xué)習(xí)。該綜述不僅系統(tǒng)總結(jié)了基于結(jié)構(gòu)化稀疏的特征選擇方法，包括它們的學(xué)習(xí)動(dòng)機(jī)和數(shù)學(xué)表達(dá)等，而且還探究了不同方法之間的關(guān)系，提出一個(gè)分類方法來闡明它們的演變。作者將已有的結(jié)構(gòu)化稀疏的特征選擇方法分成兩類：基于向量的特征選擇(基于lasso的特征選擇)和基于矩陣的特征選擇(基于矩陣的r，p范數(shù)的特征選擇)。此外，在某些特定的應(yīng)用中，特征選擇已經(jīng)和其他機(jī)器研究方法融合在一起，比如多任務(wù)研究、多標(biāo)記研究、多視圖研究、分類和聚類等。文章不僅基于回歸和正則化策略比較了這些方法的區(qū)別和聯(lián)系，而且為特征選擇等相關(guān)領(lǐng)域的從業(yè)者提供了有益的借鑒和指導(dǎo)。 該學(xué)習(xí)工作得到了“十三五”國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目和國(guó)家自然科學(xué)基金等項(xiàng)目的支持。
