Constrained Generative Adversarial Learning for Dimensionality Reduction——基于约束生成式对抗学习的降维算法

Constrained Generative Adversarial Learning for Dimensionality Reduction——基于约束生成式对抗学习的降维算法

0摘要——提出了一种基于生成式对抗网络的降维算法，使用了11种先进降维方法进行比较研究

1简介——本文提出方法的主要贡献

（1）提出一种新的DR算法——约束对抗降维算法（CADR），该算法能够同时保持和改善原始特征空间的特性

（2）提出亲和力相关性约束——保存样品的转换关系

（3）提出可分离性约束——在新的控制空间中同时控制类间可分性和类内完整性

（4）新的战略整合——为生成对抗模型定义约束

（5）构造的GAN模型带来的最优化折衷——确保了上级的分类性能并且尽可能地最小化分布变化，以保留原始数据中的信息

（6）简化监督转换过程——增加其针对各种数据分布的灵活性

从分类精度、F-measure和G-mean三个方面实验研究该算法对分类性能的影响

Tips:

DR可分为特征选择和特征提取两个部分：

特征选择（Feature Selection）——通过选择最重要的特征来搜索原始特征空间的最优子空间，以创建高精度模型

特征提取（Feature Extraction）——将高维数据转换成有意义的更小的特征子空间

本文采取的是特征提取来降低维数

2背景——相关工作

（1）以目标函数优化为特征的降维方法分类

（2）用于对比的方法总共有11种

PCA、KPCA、LDA、NCA、LLE、Isomap、tSNE、GDA、DAE、PCA-NET、AAE

3实验结果——对比总结

CADR的三个优点：

（1）在一定程度上加强了可分性约束，从而保证了最优的分类性能

（2）可以同时提取线性和非线性特征，并且在训练过程中不依赖于分类、流形学习或图估计等辅助任务

（3）在选定的基准数据集上优于其他竞争对手