Resumen

La construcción de un gráfico poderoso que pueda representar efectivamente la conexión intrínseca de los puntos de datos es el paso crítico para lograr que los algoritmos de aprendizaje semisupervisado basados en gráficos alcancen un rendimiento prometedor. Entre los algoritmos populares de construcción de gráficos, la representación de rango bajo (LRR) es una opción muy competitiva que puede explorar simultáneamente la estructura global de los datos y recuperar los datos de entornos ruidosos. Por lo tanto, la matriz de coeficientes de rango bajo aprendida en LRR se puede utilizar para construir la matriz de afinidad de datos. Considerando los problemas existentes como los siguientes: la propiedad esencialmente lineal de LRR hace que no sea apropiado procesar la posible estructura no lineal de los datos y el rendimiento del aprendizaje puede mejorarse considerablemente explorando la información de estructura de los datos; proponemos un nuevo modelo de representación de rango bajo kernelizado de variedad (MKLRR) que puede realizar LRR en el espacio de kernel adapt

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Gráfico poderoso; Puntos de datos; Aprendizaje semisupervisado; Representación de baja dimensión; Kernelizado en variedades; Clasificación de imágenes
• Keywords:Powerful graph; Data points; Semisupervised learning; Low-rank representation; Manifold kernelized; Image classification