11.64 基于成对约束的属性特征选择
属性学习常面临低层特征维度特别高的问题。例如，在 Animals With Attributes 数据集中，每张图片对应 6 种类型的特征，即 2 688 维的 RBG 颜色直方图特征、1 526 维的 Phog 特征、2 000 维的 Sift特征、2 000 维的 rgbSift 特征、2 000 维 Surf 特征和 2 000 维的局部自相似直方图（LSS，local self-similarity histograms）特征。直接利用这些庞大的低维特征，不仅会带来巨大的存储和计算负担，而且会导致后续学习器在训练过程中出现严重的过拟合问题，从而影响模型的泛化性能。现有研究表明，作为应对上述问题的有效途径之一，特征选择有助于方便数据理解并提高模型的推广性能。然而，现有的属性学习方法中特征选择方面的工作相对较少，且主要利用属性标号作为监督信息进行特征选择。实际上，除了属性标号，还存在一种弱监督信息，即成对属性约束。在成对属性约束中有两类约束信息，即 must-link 约束（即两个样本共享某属性）和cannot-link 约束（即两个样本不共享某属性）。直觉上看，利用这些成对属性约束信息不仅可以大大减少人工标注属性的成本，并且可以作为一种先验知识提高后续分类器的学习性能。相应地，本文提出了一种成对约束诱导的稀疏特征选择（CGS）方法，其中成对属性约束被用于判别性正则化项以约束目标函数。此外，本文进一步提出了半监督 CGS方法和集成 CGS 方法，并设计了一种有效的优化算法。在标准数据集上的实验结果验证了所提方法的有效性。
