基于低秩近似的半监督分类转导支持张量机

在机器学习，模式识别，图像处理和计算机视觉领域，数据通常由张量表示。 对于半监督张量分类，现有的转导支持张量机（TSTM）需要求助于迭代技术，这非常耗时。 为了克服这个缺点，在本文中，我们将基于凹凸过程的转导支持向量机（CCCP-TSVM）扩展到张量模式，并提出了一种基于低秩逼近的TSTM，其中张量秩为一种分解用于计算张量的内积。 从理论上讲，基于凹凸过程的TSTM（CCCP-TSTM）是线性CCCP-TSVM到张量模式的扩展。 当输入模式为矢量时，CCCP-TSTM退化为线性CCCP-TSVM。 针对23个半监督分类任务进行了一组实验，这些任务是从7个二阶面部数据集，3个三阶步态数据集和2个三阶图像数据集生成的，以说明CCCP-TSTM的性能。 结果表明，与CCCP-TSVM和TSTM相比，CCCP-TSTM在测试准确性和训练速度方面提供了显着的性能提升。