انتخاب ويژگي غيرنظارتي مقياس پذير توسط يادگيري ماتريس و تئوري گراف دوقسمته

با گسترش سريع تكنولوژي، حجم عظيمي از داده هاي بدون برچسب با ابعاد زياد، نياز به پردازش پيدا كردند. براي كاهش ابعاد، انتخاب ويژگي غيرنظارتي، به عنوان يك پيش مرحله مهم قبل از وظايف يادگيري ماشين، شناخته مي شود. در اين مقاله، يك روش انتخاب ويژگي غيرنظارتي پيشنهاد مي شود. روش مذكور بر اساس گراف ماتريس و ماتريس وزني، به صورت پويا و مقياس پذير عمل مي كند. براي بهبود عمكرد اين روش، به جاي استفاده از تابع لاگرانژ در ساخت ماتريس وزني، تئوري گراف دو قسمته اعمال مي شود. انتخاب ويژگي روي گراف ماتريس انجام مي شود. اين گراف با به كارگيري k نزديك ترين همسايه ساخته مي شود، كه روش را نسبت به نويز مقاوم تر مي كند. همچنين ساختار سراسري داده ي اصلي، از طريق ساخت ماتريس وزن بازسازي شده با كمك محدوديت رتبه پايين، حفظ مي شود. علاوه براين، نمره ي ويژگي، كه به طور صريح قدرت مندي ويژگي ها را منعكس مي كند، با كمك تابع Frobenius norm مدل مي شود. روش پيشنهادي با روش هاي مشابه در سه معيار دقت كلاس بندي، حساسيت به پارامتر و پيچيدگي زماني مقايسه شده است. آزمايش ها نشان مي دهد كه دقت كلاس بندي روش ارائه شده ي اين مقاله، به طور متوسط 2.83% بهبود يافته است. همچنين پيچيدگي زماني آن تا max{O(n^2d),O(nm)} كاهش يافته است، كه n تعداد نمونه ها، d تعداد ويژگي ها و m تعداد نقاط لنگر هستند.