×
潘，宾宾;陈文胜;陈波;徐，陈

利用基于图形的损失函数对监督核进行有效学习。 （英语） Zbl 1428.68250号

信息科学。 370-371, 50-62 (2016).
摘要：本文研究了从大量副信息中学习监督核的相关问题。我们提出了一个新的损失函数，它是由边信息生成的特殊完备图的拉普拉斯矩阵导出的。我们分析了所提出的损失函数与核对齐之间的关系。我们的理论分析表明，所提出的损失函数与核对齐有着密切的关系，即除了使用类似的正则化策略外，它们都利用了在矩阵中融合的边信息。此外，所提出的损失函数具有线性形式，因此与必须非线性执行的核对齐相比，它在学习边信息方面更有效。提出的损失函数用于生成新的核，作为通过某些最新方法学习的核的“低成本”替代。实证结果表明，该方法在分类精度和计算成本方面优于现有方法。

MSC公司：

68T05年 人工智能中的学习和自适应系统

关键词：

内核学习;内核方法;侧面信息;损失函数;监督学习

软件：

伦敦银行支持向量机;塞杜米;SVM灯
PDF格式BibTeX公司 XML格式引用
\textit｛B.Pan｝等人，《信息科学》。370-371、50-62（2016年；Zbl 1428.68250）
全文： 内政部

参考文献：

[1] 贝尔金，M。；Niyogi，P.，用于降维和数据表示的拉普拉斯特征映射，神经计算。，15, 6, 1373-1396 (2003) ·Zbl 1085.68119号
[2] 贝尔金，M。；Niyogi，P.，使用流形结构进行部分标记分类，神经信息处理系统进展，15929-936（2003）
[3] 贝尔金，M。；Niyogi，P。；Sindhwani，V.，《流形正则化：从标记和未标记示例学习的几何框架》，J.Mach。学习。第7号决议，2399-2434（2006）·Zbl 1222.68144号
[4] 巴卡，S。；金·R。；Jain，A.，《视觉对象识别的多核学习：综述》，IEEE Trans。模式分析。机器。智力。，36, 7, 1354-1369 (2014)
[5] 考利，G。；Talbot，N.，第一级推理的内核学习，神经网络。，53, 69-80 (2014) ·Zbl 1308.68091号
[6] Chang，C。；Lin，C.，LIBSVM：支持向量机库，ACM Trans。智力。系统。技术。，2, 3, 389-396 (2007)
[7] Chen，W。；邵，Y。；Hong，N.，《用于半监督分类的拉普拉斯平滑双支持向量机》，国际J.Mach。学习。赛博。，5, 3, 459-468 (2014)
[8] 北卡罗来纳州克里斯蒂亚尼尼。；肖-泰勒，J。；Elisseeff，A。；Kandola，J.，《关于核-目标对齐》，《神经信息处理系统的进展》，第15期，第367-373页（2002年）
[9] Demšar，J.，多数据集上分类器的统计比较，J.Mach。学习。研究，7，1-30（2006）·Zbl 1222.68184号
[10] 哈姆·J。；Lee，D。；米卡，S。；Schölkopf，B.，流形降维的核心观点，第21届国际机器学习年会论文集，47-54（2004）
[11] 海，S。；金·R。；Lyu，M.，从成对约束中学习非参数核矩阵，机器学习国际会议，361-368（2007）
[12] 黄，S。；Jin，L。；薛，K。；Fang，Y.，具有多类视觉分类应用的数据相关多核组合模型的在线主对偶学习，Inf.Sci。，320, 75-100 (2015) ·Zbl 1390.68533号
[13] 伊万诺夫。；瓦辛，V。；Tanana，V.，《线性不适定问题理论及其应用》，《逆与不适定问题系列》（2002），Brill出版社：Brill出版社，荷兰莱顿·兹比尔1037.65056
[14] Jain，P。；库利斯，B。；戴维斯，J.V。；Dhillon，I.S.，《使用线性变换的度量和核学习》，J.Mach。学习。决议，第13号，第519-547页（2012年）·Zbl 1283.68290号
[15] Joachims，T.，《使大规模SVM学习实用化》，《高级内核方法支持向量学习》。，169-184 (1999)
[16] Jolliffe，I.，主成分分析（2002），Springer·Zbl 1011.62064号
[17] Karmarkar，N.，线性规划的新多项式时间算法，组合数学，4，4，373-395（1984）·Zbl 0557.90065号
[18] 库利斯，B。；Sustik，M。；Dhillon，I.，带Bregman矩阵发散的低秩核学习，J.Mach。学习。决议，10，341-376（2009）·Zbl 1235.68166号
[19] 柳叶刀，G。；北卡罗来纳州克里斯蒂亚尼尼。；Bartlett，P。；Ghaoui，L。；Jordan，M.，用半定规划学习核矩阵，J.Mach。学习。研究，5，27-72（2004）·Zbl 1222.68241号
[20] Li，F。；Fu，Y。；戴，Y。；Sminchisescu，C。；Wang，J.，无约束优化的核学习，国际人工智能与统计会议，328-335（2009）
[21] 李，J.-B。；Wang，Y.-H。；楚，S.-C。；Roddick，J.，基于核的特征提取和识别的核自优化学习，信息科学。，257, 70-80 (2014) ·Zbl 1320.68140号
[22] 卢，Z。；Jain，P。；Dhillon，I.S.，Geometry-aware metric learning，机器学习国际会议，673-680（2009）
[23] Nazarpour，A。；Adibi，P.，用于监督降维的两阶段多核学习，模式识别。，48, 1854-1862 (2015)
[24] Nemenyi，P.，《无分布多重比较》（1963年），普林斯顿大学博士论文
[25] 内斯特罗夫，Y。；Nemirovskii，A.，《凸规划中的内点多项式方法》（1994年），工业和应用数学学会：工业与应用数学学会，宾夕法尼亚州费城·Zbl 0824.90112号
[26] Ng，A.Y。；约旦医学院。；Weiss，Y.，关于光谱聚类：分析和算法，神经信息处理系统进展，14849-856（2002）
[27] 潘，B。；赖，J。；Shen，L.，从标签学习核的理想正则化，神经网络。，56, 22-34 (2014) ·Zbl 1325.68194号
[28] 潘，B。；夏俊杰。；袁，P。；Gateno，J。；叶海山。；何，Q。；李，P.K.M。；Chow，B。；Zhou，X.，用于预测软组织变形的增量核岭回归，第15届医学图像计算和计算机辅助干预国际会议，法国尼斯，99-106（2012）
[29] 彭，X。；陈，D。；Kong，L。；Xu，D.，区间投入产出数据的区间双支持向量回归算法，国际J.Mach。学习。赛博。，6, 5, 719-732 (2015)
[30] Schölkopf，B。；Smola，A。；Müller，K.，作为核特征值问题的非线性分量分析，神经计算。，10, 5, 1299-1319 (1998)
[31] Smola，A。；Kondor，R.I.，图的核与正则化，学习理论与核机器，144-158（2003），Springer·Zbl 1274.68351号
[32] 宋，L。；Smola，A。；Borgwardt，K。；Gretton，A.，有色最大方差展开，神经信息处理系统进展，211385-1392（2008）
[33] Sturm，J.，使用SeDuMi 1.02，一个用于对称锥优化的MATLAB工具箱，Optim。方法软件。，10-11, 625-653 (1999) ·Zbl 0973.90526号
[34] Tanveer，M.，隐式拉格朗日双支持向量机的牛顿方法，国际J·马赫。学习。赛博。，6, 6, 1029-1040 (2015)
[35] 田，M。；王伟，基于中心核极化准则的高效高斯核优化，信息科学。，322, 133-149 (2015) ·Zbl 1390.68557号
[36] 熊，H。；斯瓦米，M。；Ahmad，M.，在经验特征空间中优化内核，IEEE Trans。神经网络。，16, 2, 460-474 (2005)
[37] 杨，M。；张，L。；Shiu，S.-K。；张，D.，人脸识别中具有统计局部特征的稳健核表示，IEEE Trans。神经网络。学习。系统。，24, 6, 900-912 (2013)
[38] 张，X。；Mahoor，M.，用于面部动作单元检测的任务相关多任务多内核学习，模式识别。，51, 187-196 (2016)
[39] 钟，S。；Chen，T。；He，F。；Niu，Y.，基于特殊结构全局优化的分类任务的快速高斯核学习，神经网络。，57，51-62（2014）·Zbl 1325.68206号
[40] 朱，X。；坎多拉，J。；Ghahramani，Z。；Lafferty，J.，半监督学习中图核的非参数变换。，神经信息处理系统进展，171641-1648（2004）
[41] 庄，J。；Tsang，I.W。；Hoi，S.C.H.，一系列简单的非参数核学习算法，J.Mach。学习。第12号决议，1313-1347（2011年）·Zbl 1280.68223号
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。