• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of visual communication & image representation >Kernel propagation strategy: A novel out-of-sample propagation projection for subspace learning
【24h】

Kernel propagation strategy: A novel out-of-sample propagation projection for subspace learning

机译：内核传播策略：用于子空间学习的新颖样本外传播投影

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Kernel matrix optimization (KMO) aims at learning appropriate kernel matrices by solving a certain optimization problem rather than using empirical kernel functions. Since KMO is difficult to compute out-of sample projections for kernel subspace learning, we propose a kernel propagation strategy (KPS) based on data distribution similar principle to effectively extract out-of-sample low-dimensional features for subspace learning with KMO. With KPS, we further present an example algorithm, i.e., kernel propagation canonical correlation analysis (KPCCA), which naturally fuses semi-supervised kernel matrix learning and canonical correlation analysis by means of kernel propagation projections. In KPCCA, the extracted correlation features of out-of-sample data not only incorporate integral data distribution information but also supervised information. Extensive experimental results have demonstrated the superior performance of our proposed method. (C) 2016 Elsevier Inc. All rights reserved.
机译：内核矩阵优化（KMO）旨在通过解决某个优化问题而不是使用经验性的内核函数来学习适当的内核矩阵。由于KMO难以计算用于核子空间学习的样本外投影，因此我们提出一种基于数据分布相似原理的核传播策略（KPS），以有效地提取样本外低维特征，以用于KMO子空间学习。使用KPS，我们进一步介绍了一个示例算法，即内核传播规范相关分析（KPCCA），该算法自然地融合了半监督内核矩阵学习和通过内核传播投影进行规范相关分析。在KPCCA中，提取的样本外数据的相关特征不仅包含完整的数据分布信息，还包含受监管的信息。大量的实验结果证明了我们提出的方法的优越性能。 （C）2016 Elsevier Inc.保留所有权利。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号