科研之友
微信
新浪微博
Facebook
分享链接
摘要
典型相关分析（CCA）是一种经典的多视角特征提取方法，可以从2个视角中查找特征集之间的线性相关关系。但CCA在做分类任务时具有多个缺点，一是CCA本身为无监督学习方法，做分类时没有利用样本的类信息，二是CCA仅考虑需要分类的目标数据，而忽略了与目标数据来自同一域的Universum数据的信息。因此人们提出增强组合特征判别性的典型相关分析（CECCA）和引入了Universum学习的改进的典型相关分析（ICCA）来分别克服这2个缺点。但是CECCA和ICCA都没有利用彼此的优势。为解决以上问题，将Universum学习引入到CECCA中，并提出了一种改进的增强组合特征判别性的典型相关分析（ICECCA）。ICECCA在CECCA的基础上，通过结合Universum学习，实现了在利用训练数据与Universum数据获得更多先验信息的同时做到了对组合特征相关性与判别性的联合优化。在合成数据集和真实数据集上的实验结果验证了所提出的ICECCA的有效性。
- 单位
