CAJ | 학술논문

在监督场景下线性判别分析(linear discriminant analysis,LDA)是一种非常有效的特征提取方法.然而,LDA在小样本情况下通常会出现过拟合现象,并且学习的投影变换难以给出人类认知上的解释.针对这些问题,特别是可解释性结构的发现,借助于LDA的线性回归模型和结构化稀疏L2,1范数,提出了结构化稀疏线性判别分析(structured sparse LDA,SSLDA)方法.进一步,为了去除线性变换间的相关性,提出了正交化的SSLDA (orthogonalized SSLDA,OSSLDA),它能更加有效地学习到细致的结构信息.为了求解这2个模型,引入了一个半二次的优化算法,它在投影变换和新引入的辅助变量之间采用交替优化的思想.为了验证所提出的方法,在AR、扩展的YaleB和MultiPIE 3个人脸数据库上对比了LDA及其变种方法,实验表明了所提出方法的有效性以及可解释性.
재감독장경하선성판별분석(linear discriminant analysis,LDA)시일충비상유효적특정제취방법.연이,LDA재소양본정황하통상회출현과의합현상,병차학습적투영변환난이급출인류인지상적해석.침대저사문제,특별시가해석성결구적발현,차조우LDA적선성회귀모형화결구화희소L2,1범수,제출료결구화희소선성판별분석(structured sparse LDA,SSLDA)방법.진일보,위료거제선성변환간적상관성,제출료정교화적SSLDA (orthogonalized SSLDA,OSSLDA),타능경가유효지학습도세치적결구신식.위료구해저2개모형,인입료일개반이차적우화산법,타재투영변환화신인입적보조변량지간채용교체우화적사상.위료험증소제출적방법,재AR、확전적YaleB화MultiPIE 3개인검수거고상대비료LDA급기변충방법,실험표명료소제출방법적유효성이급가해석성.