5、基于稀疏/协作表示的信息融合与放松协作表示模型

基于稀疏/协作表示的信息融合与放松协作表示模型

1. 联合稀疏表示与融合策略

在分类任务中，提出了一种联合稀疏表示和融合策略。通过稀疏表示来处理多视图数据，以稀疏的方式共同提取不同视图之间的相似性和多样性。

1.1 糖尿病（DM）检测实验

在 DM 检测中，使用了不同的方法和特征，相关的曲线下面积（AUC）如下表所示：
| Methods | AUC | Methods | AUC |
| ---- | ---- | ---- | ---- |
| JSSL | 0.8842 | GSRC (tongue) | 0.6944 |
| SRC (face) | 0.7696 | SRC (combination) | 0.8328 |
| GSRC (face) | 0.7686 | GSRC (combination) | 0.8512 |
| SRC (sublingual) | 0.7091 | MTJSRC | 0.8670 |
| GSRC (sublingual) | 0.7588 | RCR | 0.8633 |
| SRC (tongue) | 0.6885 | | |

从表中可以看出，JSSL 方法在 DM 检测中表现出较好的性能，其 AUC 值较高。

1.2 健康与糖耐量受损（IGR）分类实验

将提出的融合策略应用于 IGR 检测。与 DM 实验类似，随机从 30 到 70 中选择训练样本数量，重复五次，其余实例用作测试样本。

在五次独立实验中，不同方法的平均准确率和误差条如下表所示：