低秩核回归模型

冗余鲁棒多类分类

该模型在显式特征空间中同时进行低秩提取与局部保持，能有效处理复杂多类数据中的冗余与异常值。

Wang, Yingxu · 陳龍 · 周劲 · Li, Tianjun · Yu, Yufeng

Pattern Recognition 2023

技术优势

抗冗余干扰

训练时同步提取显式特征空间的低秩成分，降低冗余特征的影响，使回归系数矩阵更稳定。

保局部结构

在提取的低秩成分上施加图正则，保持数据局部结构，从而改善分类精度。

抗离群点

对回归误差项施加 l2,p 范数，减轻离群点对模型的影响，提高鲁棒性。

精度领先

在多种数据集上与多个最新回归方法对比，分类精度更优。

应用场景

• 精密仪器与测量：用于仪器测量数据分析，提升多类信号分类精度与稳健性。
• 群体机器人：用于群体机器人行为识别，在复杂动态环境中保持局部结构。
• 具身智能：用于具身智能感知分类，抗冗余与异常值。
• 智能建造与结构：用于建造过程的多类模式识别，应对复杂数据成分。