Resumen

El Análisis Discriminante Semisupervisado (SDA) tiene como objetivo la reducción de la dimensionalidad con datos etiquetados limitados y abundantes datos no etiquetados, pero puede fallar al descubrir la estructura geométrica intrínseca cuando el conjunto de datos es altamente no lineal. El truco del núcleo se utiliza ampliamente para mapear el problema original no linealmente separable a un espacio de dimensionalidad intrínsecamente mayor donde las clases son linealmente separables. Inspirados por la representación de baja dimensionalidad (LLR), propusimos un nuevo método de SDA basado en núcleos llamado algoritmo SDA basado en núcleos de baja dimensionalidad (LRKSDA) donde el LRR se utiliza como representación de núcleo. Dado que LRR puede capturar las estructuras globales de los datos y obtener la representación de menor rango de forma libre de parámetros, el método de núcleo de baja dimensionalidad es extremadamente efectivo y robusto para diversos tipos de datos. Experimentos extensos en bases de

• Materias:Ecuaciones diferenciales Axiomas de lógica Intervalo Semiilimitado Deformación no lineal Cadenas homotópicas
• Subjects:Differential equations Logic axioms Semi-limited interval Nonlinear deformation Homotopy chains
• Palabras claves:Análisis discriminante semisupervisado; Reducción de dimensionalidad; Truco del kernel; Representación de rango bajo; Algoritmo LRKSDA; Estructuras de datos globales
• Keywords:Semisupervised discriminant analysis; Dimensionality reduction; Kernel trick; Low-rank representation; LRKSDA algorithm; Global data structures