软件学报

作者：罗晓慧，李凡长，张莉，高家俊

单位：罗晓慧，苏州大学 计算机科学与技术学院, 江苏 苏州 21500611,李凡长，苏州大学 计算机科学与技术学院, 江苏 苏州 21500602,张莉，苏州大学 计算机科学与技术学院, 江苏 苏州 21500603,高家俊，苏州大学 计算机科学与技术学院, 江苏 苏州 21500604

关键词：相似流形学习;流形学习;集成学习;维度约简

基金：国家重点研发计划（2018YFA070170，2018YFA0701701）；国家自然科学基金（61672364）

流形学习是当今最重要的研究方向之一.约简维度的选择影响着流形学习方法的性能.当约简维度恰好是本征维度时，更容易发现原始数据的内在性质.然而，本征维度估计仍然是流形学习的一个研究难点.在此基础上，提出了一种新的无监督方法，即基于选择聚类集成的相似流形学习（SML-SCE）算法，避免了对本征维度的估计，并且性能表现良好.SML-SCE利用改进的层次平衡K-means（MBKHK）方法生成具有代表性的锚点，高效地构造相似度矩阵.随后计算得到了多个不同维度下的相似低维嵌入，这些低维嵌入是对原始数据的不同表示，而且不同低维嵌入之间的多样性有利于集成学习.因此，SML-SCE采用选择性聚类集成方法作为结合策略.对于通过K-means聚类得到的相似低维嵌入的聚类结果，采用聚类间的归一化互信息（NMI）作为权重的衡量标准.最后，舍弃权重较低的聚类，采用基于权重的选择性投票方案，得到最终的聚类结果.在多个数据集的大量实验结果表明了该方法的有效性.

来源：2020年第4期

《软件学报》期刊编辑部

查看软件学报杂志2020年第4期