自适应学习群体核
本文提出了一种新的相似性学习框架,通过最小化核矩阵的重构误差,而不是现有的重构数据的误差,来提取相似性信息,并在聚类任务中展示了明显的改进,而且该框架为其它相似性任务提供了包括高维数据映射至低维空间在内的一种新的基础。
Mar, 2019
为解决相似性测量困难及非线性相似性未被充分考虑等问题,在核空间中提出一种模型,同时学习聚类指示器矩阵和相似度信息,并通过多核学习能力进一步扩展模型以选择最合适的内核。该模型可自动完成三个子任务以获得最佳聚类解决方案。
May, 2017
本研究提出了一种高效的在线学习框架 Efficient online Relative comparison Kernel Learning (ERKLE),通过利用梯度的稀疏性和低秩性将核函数限制在半正定矩阵空间内,以随机梯度下降的方式从相对比较中学习核函数。我们通过实验证明,在线学习的环境下,我们的方法在提高速度的同时,获得了更好或可比较的准确性。
Jan, 2015
该论文提出了一种基于核函数的机器学习算法,可以通过对数据集的分组进行处理,采用独立同分布的样本集作为数据点,利用非参数估计器提取核函数特征从而实现多种分类、回归和异常检测等任务。
Feb, 2012
提出了一种新颖的算法,用于通过非线性嵌入向量到低维欧氏空间中进行监督判别距离学习,该方法可以被视为核神经网络,并且可以通过类似于线性 Mahalanobis 距离度量学习算法的近似核化得出,该方法的模型参数数量和测试时间评估复杂度均为 O (dD),其中 D 是输入特征的维度,d 是投影空间的维数,在具有数十万个训练对的 CNN 特征的数据集上进行了实证比较。
Sep, 2015
本文提出一种利用众包进行无监督学习的方法,通过 “二选一同类” 问题查询来发现数据特征,并使用自适应算法从三元组中恢复所有特征,实验证明其效率高于传统非自适应算法。
Mar, 2015
通过研究三元组采样和 crowdsourcing UI 的影响,提出了一种成本效益更好的人工智能任务方法,以帮助机器学习和计算机视觉领域中的嵌入问题。
Apr, 2014
本研究提出一种利用 Correlation Clustering 算法在人群中检测社交团体的方法,其使用了一组专门设计的特征来描述人群成员之间的亲和力,并引入了 G-MITRE 损失函数来评估检测性能。在使用地面真值轨迹和先前提取的轨迹时,证明了该算法能够达到最先进的效果。
Aug, 2015