Jan, 2013

变分相关向量机

PDF
TL;DR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。
relevance vector machinesupport vector machinemachine learningpredictive distributionvariational inference
发现论文，激发创造
  • GP-RVM: 基于遗传编程的符号回归方法使用相关向量机

    本文提出了一种混合基函数构造方法（GP-RVM）来解决符号回归问题，该方法结合了被称为 Kaizen Programming 的遗传编程的扩展版本和相关向量机来发展一组最优基函数。实验结果表明，GP-RVM 优于传统方法，是一种有效且准确的解决方案。

    Jun, 2018

  • 支持向量机及其应用

    介绍支持向量机及其应用，强调其稀疏解决方案，对分类和回归问题进行专门的适用，适用文本处理和生物信息学任务，同时介绍了算法推广和实际应用。

    Dec, 2006

  • 低秩矩阵感知的相关奇异向量机

    本文展示了一种新的贝叶斯推断方法，即在奇异矩阵的奇异向量上定义适当的先验，以促进低秩重构，并通过数值逼近加速运算，然后将该算法应用于矩阵完整性和重构问题，并对其性能进行了数值研究。

    Jun, 2014

  • 健康应用中的相关特征与向量机

    该研究介绍了一种新颖的模型 RFVM（相关特征向量机），用于解决在处理临床前瞻性研究时的大数据问题。实验证明，RFVM 能够在准确分类的同时提供最紧凑的数据子集。

    Feb, 2024

  • 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

  • 成本敏感的支持向量机概率预测

    提供了一种生成支持向量机的概率输出的新方法，利用集成方法和自举估计，能够处理不平衡数据集，并在广泛的数据集测试中展现了优势。

    Oct, 2023

  • 通过变分核训练增强量子支持向量机

    本文针对 QSVM 模型的两种方法：量子核 SVM（QK-SVM）和量子变分 SVM（QV-SVM）进行研究，并提出了一种将二者优势相结合的新型模型：量子变分核 SVM（QVK-SVM）。实验结果表明，QVK-SVM 在准确性、损失和混淆矩阵指标方面均优于现有模型，具有很大的应用潜力，值得被推广应用于未来的量子机器学习研究。

    May, 2023

  • 插值和 SVM 之间的新等效性：核和结构化特征

    该论文介绍了一种新的和灵活的分析框架，可用于证明任意再生核希尔伯特空间中的支持向量机，并且在独立亚高斯特征和一般有界正交系统家族（例如傅里叶特征）中的特征两个方面都表现出支持向量增殖现象，这些实验未能覆盖。

    May, 2023

  • 优化与机器学习：半监督支持向量机的精确算法

    支持向量机（SVM）是用于二分类的广泛研究的监督学习模型。半监督支持向量机（S3VMs）通过利用有标签和无标签数据，扩展了传统的 SVM 分类器，旨在在存在无标签数据的情况下最大化样本间的边界，以实现比传统 SVM 更高的准确性和鲁棒性。本文提出了一种新的基于半定规划（SDP）松弛的 S3VMs 分支定界方法。我们应用基于最优性的界限加强方法来限制可行集。箱约束使我们能够包括有效不等式，增强下界。与文献中提供的界限相比，所得到的 SDP 松弛提供了显著更强的界限。至于上界，则利用 SDP 松弛的解定义局部搜索。计算结果突显了该算法的效率，展示其解决数据点数量比文献中的解决数量多 10 倍的实例的能力。

    Dec, 2023

  • 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