11、低秩迁移子空间学习（LTSL）：原理、复杂度与实验分析

低秩迁移子空间学习（LTSL）：原理、复杂度与实验分析

1. 低秩迁移子空间学习基础

在数据处理中，为保证目标数据来自由 $X_s$ 支撑的仿射子空间，通常子空间学习函数可表示为 $Tr(P^TU_1P)$。这里的 $U_1$ 和 $U_2$ 依据所采用的子空间学习方法来选择，其详细公式可参考表 1。

<

方法	$U_1$	$U_2$
PCA	$-\Sigma$	$Id_1$
LDA	$S_w$	$S_b$
LPP	$X_sL X_s^T$	$X_sD X_s^T$
NPE	$X_s(I_{n_s} - W)^T(I_{n_s} - W)X_s^T$	$X_sX_s^T$
MFA	$X_s(D - W)X_s^T$	$X_s(D_p - W_p)X_s^T$
DLA	$X_sL X_s^T$