L1-graph

最新推荐文章于 2026-01-08 21:46:27 发布

原创最新推荐文章于 2026-01-08 21:46:27 发布 · 1.6k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#框架 #list #image #扩展

CS 专栏收录该内容

1 篇文章

订阅专栏

本文探讨了基于稀疏表示的图学习方法及其在人脸识别等领域的应用。对比传统方法，稀疏表示带来了新的挑战，如计算成本增加及如何有效选择基等问题。

看了 Robust face recognition via sparse representation 以及一些基于此文章的一些扩展，由于自己上半学期一起在看基于图的机器学习。那些图的框架都是基于欧式距离下的建立的。随着 CS 的疯狂入侵人工智能各领域。很自然的产生了在 L1 范数框架下建立图框架并且在 2009 年已经作出了很多成果，有无监督降维，半监督学习等等。但是根据我做实验以来发现有几个比较重要的问题：

1. 计算成本的提高。试想如果对每个样本都要求它的稀疏系数，那计算量是相当大的。其不像传统的建立图的方法那样只选择 K 紧邻个点。

2. 基的选择一直困扰着我。还是对测量矩阵理解的不够深刻。

3. 在半监督学习建立图（ learning with L1-graph for image analysis ,TIP2009 ）的过程中没有用到类标的信息。怎么在半监督学习过程中加入类标信息。