贝叶斯在线分类的虚拟向量机

May, 2012

Virtual Vector Machine for Bayesian Online Classification

Thomas P. Minka, Rongjing Xiang, Yuan

TL;DR提出了一种基于贝叶斯定理的虚拟支持向量机算法，通过使用高斯分布和虚拟数据点，平衡在线学习场景下的分类预测精度和内存缓冲的数据处理要求。

Abstract

In a typical online learning scenario, a learner is required to process a large data stream using a small memory buffer. Such a requirement is usually in conflict with a learner's primary pursuit of prediction accuracy. To address this dilemma, we introduce a novel Bayesian online clas

online learning bayesian classification memory optimization virtual data points predictive accuracy

发现论文，激发创造

变分相关向量机

本文介绍了 Relevance Vector Machine，它是一种概率模型，其功能形式相当于 Support Vector Machine，提供完整的预测分布，并且需要更少的核函数。我们展示了如何通过变分推理在完全贝叶斯范式内构建和解决 RVM，并给出超参数的后验分布。我们用人工合成和实际例子证明了变分 RVM 的实用性和性能。

Jan, 2013

基于集合覆盖的分类方法：原型向量机

介绍了一种新的最近原型分类器，即原型向量机 (PVM)，它选择相对较少的代表点用于分类，可适用任何差异测量，并适用于非欧几里德度量的情况，更好地解决了一些特定问题，并适用于蛋白质分类问题。

Aug, 2009

极值机器

提出了一种新的分类器 —— 极值机（EVM），它从统计学中的极值理论（EVT）派生出，能够进行变量带宽的非线性无核增量学习，对比同样在 ImageNet 数据集上的其他分类器，EVM 展现了高准确率和高效率。

Jun, 2015

基于贝叶斯思想的非线性支持向量机在大数据中的应用

该论文提出了一种通过应用随机变分推理和诱导点来加速贝叶斯非线性支持向量机推理的方法。实验表明，该方法比现有的贝叶斯方法更快，可以轻松扩展到数百万个数据点。除了准确的预测不确定性估计和自动超参数搜索外，该方法还提供了其他功能。

Jul, 2017

大规模数据的在线非参数化监督学习

通过在线主成分分析降维和随机逼近算法实现非参数分类器的实时计算，用于实时监测胎儿的健康状况，并与批处理算法和随机森林算法进行比较。

May, 2024

传导学习

描述一种基于支持向量机的分类预测方法和评估预测置信度的过程。

Jan, 2013

量子支持向量机用于大数据分类

该研究表明，通过矩阵乘法技术实现支持向量机，并在量子计算机上实现，可获得当经典取样算法需要多项式时间时的指数加速，以及内积（核）矩阵的矩阵求逆的非稀疏矩阵数乘法，从而在监督式机器学习中实现新数据分类。

Jul, 2013

支持向量机分类的均值场变分贝叶斯推断

使用潜在变量表示的均值场变分贝叶斯方法应用于支持向量机，能克服传统 SVM 的许多缺点，包括自动惩罚参数选择，处理相关样本、缺失数据和变量选择的能力，并在模拟和真实数据集上展示了我们的方法在非传统情况下的可扩展性和计算效率高于传统的 SVM 方法。

May, 2013

数据分类的一种 SVM 方法替代方案

支持向量机（SVM）是一种流行的用于数据分类的核方法，本文提出一种基于最佳子空间的最小距离的新方法，以解决 SVM 存在的时间处理、高维情况下优化过程失败、多类别泛化、不平衡类别和动态分类的问题，并取得了类似的性能改进。

Aug, 2023

多成本场景下支持向量机

我们提出了一种新颖的支持向量机模型，通过在问题表达中引入性能约束来考虑误分类成本。具体而言，我们的目标是寻求具有最大间隔的超平面，使得误分类率低于给定的阈值。通过解决一个具有线性约束和整数变量的二次凸问题来获得最大间隔超平面。我们的实验结果表明，我们的模型可以使用户在一个类别上对误分类率进行控制，并且运行时间可行。

Dec, 2023