• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Neural Networks and Learning Systems, IEEE Transactions on >Dimensionality Reduction in Multiple Ordinal Regression
【24h】

Dimensionality Reduction in Multiple Ordinal Regression

机译：多元有序回归中的降维

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

Supervised dimensionality reduction (DR) plays an important role in learning systems with high-dimensional data. It projects the data into a low-dimensional subspace and keeps the projected data distinguishable in different classes. In addition to preserving the discriminant information for binary or multiple classes, some real-world applications also require keeping the preference degrees of assigning the data to multiple aspects, e.g., to keep the different intensities for co-occurring facial expressions or the product ratings in different aspects. To address this issue, we propose a novel supervised DR method fornDR in multiple ordinal regressionn(DRMOR), whose projected subspace preserves all the ordinal information in multiple aspects or labels. We formulate this problem as a joint optimization framework to simultaneously perform DR and ordinal regression. In contrast to most existing DR methods, which are conducted independently of the subsequent classification or ordinal regression, the proposed framework fully benefits from both of the procedures. We experimentally demonstrate that the proposed DRMOR method (DRMOR-M) well preserves the ordinal information from all the aspects or labels in the learned subspace. Moreover, DRMOR-M exhibits advantages compared with representative DR or ordinal regression algorithms on three standard data sets.
机译：监督降维（DR）在具有高维数据的学习系统中扮演重要角色。它将数据投影到低维子空间中，并使投影的数据在不同的类别中可区分。除了保留用于二元或多个类别的判别信息外，某些实际应用还需要保持将数据分配给多个方面的优先程度，例如，保持相同强度的面部表情或产品评分的不同强度。不同的方面。为了解决这个问题，我们为n 多序数回归中的DR n（DRMOR），其投影子空间可保留所有方面或标签中的所有序数信息。我们将此问题公式化为联合优化框架，以同时执行DR和顺序回归。与大多数现有的DR方法不同，这些方法独立于随后的分类或顺序回归进行，而所提出的框架完全受益于这两种程序。我们通过实验证明，提出的DRMOR方法（DRMOR-M）可以很好地保留学习的子空间中所有方面或标签的顺序信息。此外，与三个标准数据集上的代表性DR或有序回归算法相比，DRMOR-M具有优势。

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