摘要：传统的机器学习方法所使用的数据大多是基于向量空间的。支持向量机(Support Vector Machine,SVM)作为一种重要的机器学习方法,在解决小样本、非线性、高维数据等问题时具有较好的性能。但在实际应用中,图像和视频等数据都是用张量形式表示的,如果将这些张量数据直接转换成向量数据,往往会丢失一些原有的结构和相关性信息,有可能造成维度灾难和小样本问题。为了设法保持尽量多的张量结构信息,提出了一种采用Tucker分解的支持张量机(Support Tensor Machine,STM)算法。实验表明,该方法可以明显提高分类器性能;同时,支持张量机作为监督学习方式,存在无法利用未标记数据的缺点,往往受限于训练数据不足的情况。因此,将半监督学习方法与支持张量机相结合,进而提出了基于Tucker分解的半监督支持张量机算法(Semi-Supervised STM,S3TM)。该算法既可以保持较多的张量结构信息,又能充分利用未标记数据。实验表明,采用该算法的预测准确率达到90.26%,从而验证了所提算法的有效性。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社