Tipping，Michael E。 稀疏贝叶斯学习和相关向量机。 （英语） Zbl 0997.68109号 J.马赫。学习。物件。 1，第3期，211-244（2001）。 摘要：本文介绍了一个通用的贝叶斯框架，用于利用参数中的线性模型来获得回归和分类任务的稀疏解。虽然这个框架是完全通用的，但我们用一个特定的专门化来说明我们的方法，我们称之为“相关向量机”（RVM），这是一个与流行和最先进的“支持向量机”具有相同功能形式的模型。我们证明，通过利用概率贝叶斯学习框架，我们可以导出准确的预测模型，该模型通常使用的基函数比类似的SVM少得多，同时还提供了许多其他优势。这包括概率预测的优点、“有害”参数的自动估计以及利用任意基函数（例如非“Mercer”核）的便利性。我们详细介绍了RVM的贝叶斯框架和相关学习算法，并给出了一些应用示例以及一些比较基准。我们对获得的异常稀疏程度提供了一些解释，并讨论和演示了贝叶斯相关学习的一些优势特征和潜在扩展。 引用于2评论引用于258文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 关键词：支持向量机 PDF格式BibTeX公司 XML格式引用 \textit{M.E.Tipping}，J.Mach（马赫）。学习。决议1，第3号，211--244（2001；Zbl 0997.68109） 全文： 内政部