Resumen

El Análisis Discriminante Semisupervisado (SDA) es un algoritmo semisupervisado de reducción de la dimensionalidad, que puede resolver fácilmente el problema de las muestras. Los trabajos relativos suelen centrarse en las relaciones geométricas de los puntos de datos, que no son obvias, para mejorar el rendimiento del SDA. A diferencia de estos trabajos relativos, aquí se investiga la construcción de grafos regularizados, que es importante en los métodos de aprendizaje semisupervisado basados en grafos. En este trabajo, proponemos un nuevo grafo para el Análisis Discriminante Semisupervisado, que se denomina grafo combinado de bajo rango y vecino más cercano (LRKNN). En nuestro gráfico LRKNN, mapeamos los datos al espacio de características LR y luego se adopta el k N N para satisfacer los requisitos algorítmicos del SDA. Dado que la representación de bajo rango puede capturar la estructura global y el algoritmo del vecino más cercano puede preservar al máximo la estructura geométrica local de los datos, el gráfico LRKNN puede mejorar significativamente el rendimiento del SDA. Experimentos exhaustivos en varias bases de datos del mundo real demuestran que el grafo LRKNN propuesto es un constructor de grafos eficiente, que puede superar en gran medida a otras líneas de base comúnmente utilizadas.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:análisis discriminante semisupervisado, rendimiento del sda, trabajo relativo, gráfico lrknn, requisitos del sda, estructura geométrica local, espacio de características lr, relación de datos, construcción de gráficos regularizados, algoritmo de reducción de la dimensionalidad
• Keywords:semisupervised discriminant analysis, performance of sda, relative work, lrknn graph, requirements of sda, local geometrical structure, lr features space, relationship of data, regularized graph construction, dimensionality reduction algorithm