合肥研究院发表稀疏学习研究综述

摘要: 　　近期，中国科学院合肥物质科学学习院智能机械学习所副学习员桂杰在稀疏研究学习方面的综述文章发表在IEEE Transactions on Neural Networks and Learning Systems (TNNLS)的第七期中。　　近年来，稀疏研究作为 ...

　　近期，中国科学院合肥物质科学学习院智能机械学习所副学习员桂杰在稀疏研究学习方面的综述文章发表在IEEE Transactions on Neural Networks and Learning Systems (TNNLS)的第七期中。
　　近年来，稀疏研究作为机器研究和模式识别领域的一个学习热点，已经应用到机器研究和模式识别的很多子领域，包括分类、聚类和子空间研究等。桂杰等首先给出了稀疏研究综述，并着重学习了结构化稀疏研究在特征选择方法中的应用问题。
　　特征选择是诸多模式识别领域面临的一个关键技术挑战。随着大数据时代的来临，模式识别经常需要处理高维的数据。特征选择算法用于从原始的特征子集中选择相关的特征子集，这样有利随后的分类、聚类等分析学习。近年来，基于结构化稀疏的特征选择算法受到广泛关注，已经有大量算法被提出。然而，关于这些结构化稀疏的特征选择算法之间的联系以及它们是如何演化的，没有得到系统的学习。该综述不仅系统总结了基于结构化稀疏的特征选择方法，包括它们的学习动机和数学表达等，而且还探究了不同方法之间的关系，提出一个分类方法来阐明它们的演变。作者将已有的结构化稀疏的特征选择方法分成两类：基于向量的特征选择(基于lasso的特征选择)和基于矩阵的特征选择(基于矩阵的r，p范数的特征选择)。此外，在某些特定的应用中，特征选择已经和其他机器研究方法融合在一起，比如多任务研究、多标记研究、多视图研究、分类和聚类等。文章不仅基于回归和正则化策略比较了这些方法的区别和联系，而且为特征选择等相关领域的从业者提供了有益的借鉴和指导。
　　该学习工作得到了“十三五”国家重点研发计划项目和国家自然科学基金等项目的支持。