Resumen

El algoritmo tradicional de regresión de relajación de etiquetas (LRR) ajusta directamente los datos originales sin tener en cuenta la información de la estructura local de los datos. Mientras que el algoritmo de regresión de relajación de etiquetas de regularización de gráficos tiene en cuenta la información geométrica local, el rendimiento del algoritmo depende en gran medida de la construcción del gráfico. Sin embargo, las estructuras tradicionales de los gráficos tienen dos defectos. En primer lugar, está muy influenciado por los valores de los parámetros. En segundo lugar, se basa en los datos originales a la hora de construir la matriz de pesos, que suele contener mucho ruido. Esto hace que el gráfico construido no sea a menudo óptimo, lo que afecta al trabajo posterior. Por lo tanto, se propone un algoritmo de regresión de relajación de etiquetas discriminativo basado en el grafo adaptativo (DLRR_AG) para la extracción de características. DLRR_AG combina el aprendizaje múltiple con la regresión de relajación de etiquetas mediante la construcción de un gráfico de peso adaptativo, que puede superar el problema del sobreajuste de etiquetas. Sobre la base de un gran número de experimentos, se puede demostrar que el método propuesto es eficaz y factible.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:regresión de relajación de etiquetas, datos originales, algoritmo de grafo, número de experimento, algoritmo de regresión de relajación, grafo de peso adaptativo, información geométrica local, estructura de grafo tradicional, construcción de grafo, problema de etiqueta
• Keywords:label relaxation regression, original data, algorithm of graph, number of experiment, relaxation regression algorithm, adaptive weight graph, local geometric information, traditional graph structure, construction of graph, problem of label