联合低秩重构和投影重构的稳健特征选择方法

针对当前特征选择方法依然受噪声影响以及无法将聚类效果和重构效果有效统一的问题，提出了一种稳健的特征选择方法。从干净数据和重构数据作差的思路着手，将低秩重构数据和投影重构数据作差构建稳健的重构误差项，并提出从学习到的干净数据上选择特征用于聚类。将干净数据的学习和特征选择技能进行联合学习，相互促进，从而提升方法在有噪数据上的稳健性，并且将重构效果和聚类效果进行有效统一。在5个数据集上与几种图嵌入角度的特征选择以及PCA重构角度的特征选择方法进行聚类实验对比，实验结果表明，除LUNG噪声数据集外，所提方法在2种评价指标（ACC和NMI）下都优于对比特征选择方法。