×
赵俊龙;于、关;刘玉峰

使用角度分解点评估分类的稳健性。 （英语） Zbl 1408.62121号

Ann.统计。 46，编号6B，3362-3389（2018）.
分类的可靠性是最先进的机器学习方法的核心。考虑到有离群值和无离群值估计值之间的差异，提出了一种新的全局可靠性度量方法。首先，作者考虑了具有有界和无界损失函数的线性学习，研究了二元分类中角破裂点的理论性质。接下来，考虑了具有有界或无界损失函数的二元核学习（RKHS）的角分解点。在包括乳腺癌诊断数据集在内的两个数据集上，证明了所提出的角破裂准则的有效性。
审核人：丹尼斯·西多罗夫（伊尔库茨克）

引用于4文件

理学硕士：

62H30型 分类和区分；聚类分析（统计方面）
62层35 鲁棒性和自适应程序（参数推断）
68T05型 人工智能中的学习和自适应系统
62页第10页 统计学在生物学和医学中的应用；元分析

关键词：

故障点;分类;损失函数;再生核希尔伯特空间;稳健性

软件：

全球供应链;阿达·布斯特。MH公司;ElemStatLearn（电子状态学习）
PDF格式BibTeX公司 XML格式引用
\textit{J.Zhao}等人，Ann.Stat.46，No.6B，3362-3389（2018；Zbl 1408.62121）
全文： 内政部 欧几里得

参考文献：

[1] Biggio，B.、Nelson，B.和Laskov，P.（2012年）。针对支持向量机的毒药攻击。第29届国际机器学习会议论文集（J.Langford和J.Pineau，eds.）1807-1814。纽约ACM。
[2] Christmann，A.和Steinwart，I.（2004年）。模式识别凸风险最小化方法的鲁棒性。J.马赫。学习。第5号决议1007–1034·Zbl 1222.68348号
[3] Donoho，D.和Huber，P.J.（1983年）。击穿点的概念。在埃里希·莱曼的《节日》157–184。加利福尼亚州贝尔蒙特市沃兹沃斯·Zbl 0523.62032号
[4] Freund，Y.和Schapire，R.E.（1997）。在线学习的决策理论推广及其在助推中的应用。J.计算。系统科学55 119–139·Zbl 0880.68103号 ·doi:10.1006/jcss.1997.1504
[5] Genton，M.G.和Lucas，A.（2003）。独立和相关观测的分解点的综合定义。J.R.统计社会服务。B.统计方法65 81–94·Zbl 1063.62038号 ·数字对象标识代码：10.1111/1467-9868.00373
[6] Hable，R.和Christmann，A.（2011年）。关于支持向量机的定性鲁棒性。《多变量分析杂志》102 993–1007·Zbl 1274.62285号 ·doi:10.1016/j.jmva.2011.01.009
[7] Hampel，F.R.（1971）。稳健性的一般定性定义。安。数学。Stat.42 1887–1896年·Zbl 0229.62041号 ·doi:10.1214/aoms/1177693054
[8] Hampel，F.R.（1974年）。影响曲线及其在鲁棒估计中的作用。J.Amer。统计师。协会69 383–393·Zbl 0305.62031号 ·doi:10.1080/016214519974.10482962
[9] Hastie，T.、Tibshirani，R.和Friedman，J.（2009年）。《统计学习的要素：数据挖掘、推断和预测》，第二版，纽约斯普林格出版社·Zbl 1273.62005年
[10] Horst，R.和Thoai，N.V.（1999年）。DC编程：概述。J.优化。理论应用103 1-43·Zbl 1073.90537号 ·doi:10.1023/A:1021765131316
[11] Hubert，M.、Rousseeuw，P.J.和Van Aelst，S.（2008）。高分解稳健多元方法。统计师。科学。92–119. ·Zbl 1327.62328号 ·doi:10.1214/0883423070000087
[12] Kanamori，T.、Fujiwara，S.和Takeda，A.（2014）。鲁棒支持向量机的故障点。预印。可从arXiv:1409.0934获取。
[13] Kimeldorf，G.S.和Wahba，G.（1970年）。随机过程的贝叶斯估计与样条平滑之间的对应。安。数学。统计数字41 495–502·Zbl 0193.45201号 ·doi:10.1214/aoms/1177697089
[14] Krause，N.和Singer，Y.（2004年）。更仔细地利用利润。第二十届国际机器学习会议论文集63。纽约ACM。
[15] Lin，X.、Wahba，G.、Xiang，D.、Gao，F.、Klein，R.和Klein（2000）。具有伯努利观测值和随机GACV的大数据集的平滑样条方差分析模型。统计年鉴28 1570–1600·Zbl 1105.62358号 ·doi:10.1214/aos/1015951996
[16] Liu，Y.和Shen，X.（2006）。多类别\（ψ\）-学习。J.Amer。统计师。协会101 500–509·Zbl 1119.62341号
[17] Mason，L.、Baxter，J.、Bartlett，P.和Frean，M.（2000）。作为梯度下降的推进算法。神经信息处理系统进展12 512–518。麻省理工学院出版社，剑桥。
[18] Ronchetti，E.（1997）。通过影响函数进行稳健推理。J.统计。计划。推论57 59–72·Zbl 0900.62175号 ·doi:10.1016/S0378-3758（96）00036-5
[19] Sakata，S.和White，H.（1995年）。有限样本分解点的另一种定义及其在回归模型估计中的应用。J.Amer。统计师。协会90 1099–1106·兹比尔0851.62024
[20] Schölkopf，B.和Smola，A.J.（2002年）。使用内核学习：支持向量机、正则化、优化及其他。麻省理工学院出版社，马萨诸塞州剑桥。
[21] Scholkopf，B.、Smola，A.J.、Williamson，R.C.和Bartlett，P.L.（2000）。新的支持向量算法。神经计算12 1207–1245。
[22] Shen，X.、Tseng，G.C.、Zhang，X.和Wong，W.H.（2003）。关于（ψ）-学习。J.Amer。统计师。协会98 724–734·兹比尔1052.62095 ·doi:10.1198/0162145000000639
[23] Stromberg，A.J.和Ruppert，D.（1992年）。非线性回归分解。J.Amer。统计师。协会87 991–997·Zbl 0765.62067号 ·doi:10.1080/01621459.1992.10476254
[24] Vapnik，V.N.（1998）。统计学习理论。纽约威利·Zbl 0935.62007号
[25] Wahba，G.（1990年）。观测数据的样条模型59。宾夕法尼亚州费城SIAM·Zbl 0813.62001号
[26] Wu，Y.和刘，Y.（2007）。鲁棒截断铰链损失支持向量机。J.Amer。统计师。协会102 974–983·Zbl 1469.62293号 ·doi:10.1198/0162145000000617
[27] Xu，L.、Crammer，K.和Schuurmans，D.（2006）。基于凸离群消融的鲁棒支持向量机训练。美国人工智能协会6 536–542。
[28] Yu，Y.、Yang，M.、Xu，L.、White，M.和Schuurmans，D.（2010）。松弛裁剪：稳健回归和分类的全局训练方法。神经信息处理系统进展2532–2540。
[29] 赵，J。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。