刘欣宇，韩晓红，宋 可

(太原理工大学 大数据学院，山西 晋中 030600)

0 引 言

降维[1]常用的方法是特征选择，根据所使用数据集的不同来源，特征选择可分为单视图特征选择方法与多视图特征选择方法。较早的特征选择方法大多使用单视图特征，但目前单视图特征已经满足不了日常生活的需要，所以高维度的多视图特征被广泛用于各种研究领域中，例如多媒体计算、机器学习和数据挖掘[2]。多视图特征可以从不同角度更精确、更全面地表征数据，其主要问题在于怎样有效地将多视图特征的多样性和一致性结合起来识别特征，以此来保留原始特征的一些关键特征。但是高维多视图特征将不可避免地产生昂贵的计算成本及大量的存储成本。这个问题的解决方法在于将多视图特征整合，并将多视图特征看成单视图特征进行特征选择。代表性的方法包括拉普拉斯分数(LapScor)[3]、光谱特征选择(SPEC)[4]、最小冗余谱特征选择算法(MRSF)[5]等。尽管这些方法取得了一定的成功，但这类方法忽略了视图内部间的特征相关性和不同视图特征间的关联性，使特征选择的性能受到了影响。为了解决以上的问题，本文将自适应相似性应用到无监督多视图特征选择中，并考虑视图内部特征的相关性及不同视图之间的特征关联性，同时，通过引入图正则化以利用数据的局部几何特性，使得同类别特征之间的联系更加密切，从而增加算法的鲁棒性。为了降低特定视图相似结构中潜在的数据噪声对特征选择的影响，本文引入L1/2稀疏范数在降低噪声的同时提高分类模型的准确率。……