基于自表达方法的低秩属性选择算法

　　高维特征表示物体（或样本）能准确且多样化地表现物体的特性。因此，高维度数据经常在机器学习及相关领域中存在，如文本数据、人脸数据和生物信息数据等。但是，高维数据的使用不仅增大了数据存储空间及增加了运算时间的复杂度，而且在对数据处理过程中容易造成维灾难等现象。因此，对高维数据进行属性约简以降低数据的维度，从而寻找到具有代表性的低维属性子集成为机器学习领域的研究热点。

　　针对无监督属性选择算法无类别信息和未考虑属性的低秩问题，提出一种基于自表达方法的低秩属性选择算法。在损失函数中使用低秩和自表达方法描述属性间的相关结构，利用K均值聚类算法得到所有样本的伪类标签进行属性选择，采用稀疏学习方法。一范数参数p控制属性选择结果的稀疏性，并通过子空间学习方法使属性选择结果达到全局最优。实验结果表明，与无监督属性选择算法相比，该算法在6个公开数据集上均具有较高的分类准确率及稳定性。