基于约束的半监督降维及其推广性研究

降维是处理高维数据的关键技术之一，传统降维方法可分为监督降维和无监督降维两类。近年来，随着半监督学习的兴起，一些半监督降维方法开始出现。半监督降维是指在降维中同时利用监督信息和无标记样本，可看成是半监督学习的一个新的分支。监督信息可以是类别标号，也可以是揭示样本是否属于同一类的约束，据此又可分为基于标号的半监督降维和基于约束的半监督降维。由于从标号可以产生约束，且约束因不需太多的领域知识而更易获取，因而对基于约束的半监督降维的研究更有实际意义。目前国际上对此方面的研究还非常薄弱。本项目旨在已有基础之上，重点研究以下几个问题：1）基于约束的高效降维算法的设计；2）基于约束的半监督降维的一般性框架；3）对降维结果的评价准则；4）约束集的选择；5）基于约束重采样的集成学习。以上研究均在特征抽取和特征选择两个层面展开。本项目的研究将对半监督降维和集成学习的理论与算法有所贡献，并有着广阔的应用前景。