埃多尔多·维奇;波西斯希尔，卢卡什;阿尔布雷奇特，斯特芬;特伦斯·J·奥凯恩。;伊利亚州霍伦科 eSPA+：针对小数据问题的可扩展熵最优机器学习分类。 （英语） Zbl 1492.68117号 神经计算。 34，第5期，1220-1255（2022）. 小结：小数据领域（小数据统计（T）和相对较大的特征空间维（D））中的分类问题给常见的机器学习（ML）和深度学习（DL）工具带来了挑战。这些领域的标准学习方法在应用于数据点明显少于维度的数据集时，往往表现出缺乏稳健性，并很快达到过拟合界限，从而导致超出训练集的性能较差。为了解决这个问题，我们提出了eSPA+，这是最近制定的熵最优可扩展概率近似算法（eSPA）的一个重要扩展。具体来说，我们建议更改优化步骤的顺序，并用eSPA的封闭式解决方案替换计算成本最高的子问题。我们证明，通过这两个增强，eSPA+从多项式转移到线性类复杂度缩放算法。在几个小型数据学习基准测试中，我们表明，与eSPA相比，eSPA+算法实现了四倍的加速，并且与大量的ML和DL工具相比，性能更佳。特别是，我们将eSPA+与标准eSPA和小数据领域中的主要常见学习算法进行基准测试：各种形式的支持向量机、随机森林和长短期记忆算法。在所有考虑的应用程序中，eSPA+显著优于常用学习方法和eSPA，它实现了显著更高的预测精度，并且计算成本更低。 MSC公司： 68T05型 人工智能中的学习和自适应系统 62H30型 分类和区分；聚类分析（统计方面） PDF格式BibTeX公司 XML格式引用 \textit{E.Vecchi}等人，《神经计算》。34，第5号，1220--1255（2022；Zbl 1492.68117） 全文： 内政部