基于张量技术的多视图特征选择方法研究

As an important branch of machine learning and pattern recognition, multi-view learning aims to improve the learning performance of target tasks by using the interaction between multiple views. However, different views often contain redundant or noisy information, which reduces the learning ability of multiple views and increases the computational burden. In view of the challenges faced by the existing multi-view learning and calculation, this project will focus on feature selection technology to carry out research on the theory and method of low-rank tensor constraint and tensor structure representation. The research contents of this project include: 1) constructing feature selection model based on graph embedding and sparse regression by combining different views, applying tensor nuclear norm to conduct low-rank tensor constraint on different graph matrices in the model and mining consensus information of multi-view data; 2) constructing the multi-view feature selection model based on tensor representation, and using tensor structure to fuse multi-view data with different dimensions, so as to exploit the complex correlations among multiple views. The proposed multi-view feature selection model can further understand the structural characteristics of multi-view data by selecting effective features, promote the information processing level of multi-view learning, and provide theoretical guidance and method reference for practical problems with similar data characteristics.

多视图学习作为机器学习与模式识别领域的重要分支，旨在利用多视图间的相互影响来提高目标任务的学习性能，近年来获得国内外学术界和工业界的广泛关注。然而，不同视图数据通常包含冗余或噪声信息，从而降低了多视图的学习能力以及增加了计算负担。针对现有多视图数据学习和计算面临的挑战，本项目将围绕张量技术，开展针对多视图特征选择的理论与方法研究工作。本项目的研究内容包括：1）构建基于图嵌入学习以及回归学习的特征选择模型，利用张量核范数对模型中不同的图矩阵进行低秩张量约束，挖掘多视图数据的高阶关联信息；2）构建基于张量结构表示的多视图特征选择模型，利用张量结构融合了具有不同维度的多视图数据，拓展了多视图数据间复杂的相关结构。所提出的多视图特征选择模型通过选择有效特征能够进一步理解多视图数据的结构特点，推进多视图学习的信息处理水平，为具有类似数据特点的实际问题提供理论指导与方法借鉴。

复杂多视图数据的特征选择作为机器学习与模式识别领域的重要分支，旨在挖掘不同视图数据的关键信息，去除无关、冗余或噪声信息，提升多视图数据的表达能力，近年来获得国内外学术界和工业界的广泛关注。针对现有复杂多视图数据学习和计算面临的挑战，本项目已开展的研究内容包括：1）构建基于回归学习的特征选择模型，利用张量核范数对模型中不同的图矩阵进行低秩张量约束，挖掘多视图数据的高阶关联信息；2）构建基于张量结构表示的多视图特征选择模型，利用张量结构融合了具有不同维度的多视图数据，拓展多视图数据间复杂的相关结构；3）构建基于多层次正则化的自适应图学习无监督多视图特征选择模型，为了减少多视角数据中的冗余和噪声信息，模型利用多视角数据的结构稀疏性、依赖性和多样性信息，采用多级正则化对学习到的投影矩阵进行约束；4）构建了一个特征滤波器来估计图像特征的权重，以进行无监督特征选择。理论分析表明，通过变换，特征滤波器可以得到稀疏正则化，表明该滤波器与常用的稀疏正则化具有相同的作用；5）为了充分利用矩阵数据的结构信息，构建了一种低秩矩阵回归模型进行特征选择，并利用交替方向乘子法的优化算法来对所提方法的目标函数进行高效地求解。本项目的研究成果对提升多视图数据的学习能力起到推进作用，加深对多视图数据的理解，也为具有类似数据的应用领域如网页分类、图片或视频检索、多角度行为识别、多模态医学诊断、多尺度目标跟踪等提供了理论指导和工业应用。到目前为止，本项目共发表SCI论文10余篇，EI论文6篇，北大核心期刊论文2篇，申请专利4项，授权专利1项。