انتخاب ویژگی غیرنظارتی مقیاس پذیر توسط یادگیری ماتریس و تئوری گراف دوقسمته

با گسترش سریع تکنولوژی، حجم عظیمی از داده های بدون برچسب با ابعاد زیاد، نیاز به پردازش پیدا کردند. برای کاهش ابعاد، انتخاب ویژگی غیرنظارتی، به عنوان یک پیش مرحله مهم قبل از وظایف یادگیری ماشین، شناخته می شود. در این مقاله، یک روش انتخاب ویژگی غیرنظارتی پیشنهاد می شود. روش مذکور بر اساس گراف ماتریس و ماتریس وزنی، به صورت پویا و مقیاس پذیر عمل می کند. برای بهبود عمکرد این روش، به جای استفاده از تابع لاگرانژ در ساخت ماتریس وزنی، تیوری گراف دو قسمته اعمال می شود. انتخاب ویژگی روی گراف ماتریس انجام می شود. این گراف با به کارگیری k نزدیک ترین همسایه ساخته می شود، که روش را نسبت به نویز مقاوم تر می کند. همچنین ساختار سراسری داده ی اصلی، از طریق ساخت ماتریس وزن بازسازی شده با کمک محدودیت رتبه پایین، حفظ می شود. علاوه براین، نمره ی ویژگی، که به طور صریح قدرت مندی ویژگی ها را منعکس می کند، با کمک تابع Frobenius norm مدل می شود. روش پیشنهادی با روش های مشابه در سه معیار دقت کلاس بندی، حساسیت به پارامتر و پیچیدگی زمانی مقایسه شده است. آزمایش ها نشان می دهد که دقت کلاس بندی روش ارایه شده ی این مقاله، به طور متوسط 2.83% بهبود یافته است. همچنین پیچیدگی زمانی آن تا max{O(n2d),O(nm)} کاهش یافته است، که n تعداد نمونه ها، d تعداد ویژگی ها و m تعداد نقاط لنگر هستند.