×

用基于列的方法学习低秩核矩阵。 (英语) Zbl 1209.68467号

摘要:我们考虑了计算大型核矩阵的低阶近似的问题。本文提出了一种新的策略,称为两阶段低阶核矩阵选择,以提高计算效率。首先,通过提出的基于列的混合选择方法获得两个置换集,从而显著减小了核矩阵的大小。其次,利用信息论学习选择合成矩阵的条目。然后使用该矩阵进行分类。在实际数据集上的实验结果表明,该方法在计算效率和分类精度方面具有优越性,特别是当训练样本量较大时。

MSC公司:

68吨10 模式识别、语音识别
62D05型 抽样理论、抽样调查
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] 巴赫,F.R.乔丹,M.I.(2005)。核方法的预测低秩分解。程序。第22届机器学习国际会议,2005年8月7日至11日。德国:波恩,第33-40页。 ·数字对象标识代码:10.1145/102351.1102356
[2] Baudat G.,《神经计算》,第12页,第2385页–(2000年)·doi:10.1162/089976600300014980
[3] Belabbas M.-A,《美国国家科学院院刊》第106页第369页–(2009)·doi:10.1073/pnas.0810600105
[4] Boutsidis,C.Mahoney,M.W.Drineas,P.(2009年)。列子集选择问题的一种改进近似算法。程序。第20届年度SODA。纽约,2009年1月4-6日,第968-977页。
[5] Braun M.L.,J.计算。数学。第9页,1875页–(2008年)
[6] Drineas P.,《计算数学杂志》,第6页,第2153页–(2005年)
[7] Fine S.,《计算数学杂志》2,第243页–(2001年)
[8] Golub G.H.,矩阵计算。,第3版(1996年)·Zbl 0865.65009号
[9] Kitchin P.L.,《统计学中的通信——模拟和计算》30(1),第143页–(2001)·Zbl 1008.62508号 ·doi:10.1081/SAC-10001864
[10] Kozak M.,《统计通信——模拟和计算》36(4),第807页,(2007年)·Zbl 1126.62004号 ·doi:10.1080/03610910701419695
[11] Kulis B.,《计算数学杂志》10 pp 341–(2009)
[12] Lanckriet G.,《机器学习杂志》5第27页–(2004)
[13] Schölkopf B.,神经计算10 pp 1299–(1998)·doi:10.1162/08997669830017467
[14] Smola,A.J.Schölkopf,B.(2000年)。机器学习的稀疏贪婪矩阵近似。程序。第17届国际机器学习会议,2000年6月29日至7月2日。CA:斯坦福,第911–918页。
[15] Torkkola K.,《机器学习杂志》3第1415页–(2003年)
[16] Van Sanden S.,《统计通信——模拟和计算》37(2),第409页,(2008年)·兹比尔1138.62362 ·doi:10.1080/0361091701792554
[17] Williams,C.K.I.Seeger,M.(2001)。使用Nyström方法加速内核机器。主题:神经信息处理系统进展。加拿大不列颠哥伦比亚省温哥华:麻省理工学院出版社,第682-688页。
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。