基于单一类支持度测量的小组异常检测模型
本文介绍了一种名为 OCSSVM 的单类切片支持向量机分类器,通过使用双平面来学习目标类别决策分数的正常区域,减少误判率,提高检测新类别实例的准确性,实验结果表明,OCSSVM 在两个公共数据集上始终优于单类支持向量机,并与最先进的单类分类器表现相当甚至更好。
Aug, 2016
本文研究软件缺陷预测技术,探讨了单类支持向量机在缺陷预测方面的应用,通过大规模实证研究得出单类支持向量机在跨版本和跨项目方面的预测效果优于同类别模型,在实例稀缺或不可用时适用。
Feb, 2022
本文提出了一种基于核的判别式学习框架,使用概率分布作为训练数据,通过将概率分布表示为再生核希尔伯特空间中的平均嵌入,可以应用许多标准的基于核的学习技术,构造了一种支持测量机,提出了一种灵活的支持向量机,实验结果表明所提出的框架有效。
Feb, 2012
量子计算在机器学习任务中的潜力使得核计算和模型精度得到显著提高。通过使用一类支持向量机和量子核,相对于经典对照方法,先前研究观察到了显着的平均精度改进。然而,传统计算这些核的方法对于数据大小具有二次时间复杂度,这在实际应用中带来了挑战。为了缓解这个问题,我们探索了两种不同的方法:利用随机测量来评估量子核以及实施可变子采样集合方法,这两种方法都针对线性时间复杂度。实验结果表明,采用这些方法的训练和推断时间大大减少,分别达到了 95% 和 25%,同时随机测量的平均精度明显优于经典径向基函数核,为进一步研究可扩展、高效的量子计算在机器学习中的应用方向提供了有希望的线索。
Dec, 2023
提出了基于自编码器的一类支持向量机(AE-1SVM)模型,结合表示学习架构,采用随机傅里叶特征来逼近径向基核,集成了终端到终端的训练,可用于异常检测,并且拓展了深度学习在异常检测中的可能应用,并且,该模型在无监督的异常检测任务中表现显著优于之前采用分离训练的工作。
Apr, 2018
基于分类的方法在异常检测中十分有效,本论文提出了一种分布稳健的概率约束模型,利用核函数的方法来分类难以分离的数据集,并且在验证中显示了该模型的鲁棒性和优越性。
Dec, 2023
本文提出了一种高效的核存活支持向量机 (SSVM) 训练算法,通过直接优化主要目标函数,采用截断牛顿优化和随机统计树,降低了与现有训练算法相比的计算复杂度,并证明其可以用于规模更大的数据。
Nov, 2016
本研究旨在提出一种能够处理起始数据集非常小、能够根据不断变化的数据自适应调整的分类框架,以此为基础,提出了增量协方差导向一类支持向量机,通过控制新数据点引起的支持向量变化,取得了在人工和真实数据集上的显著分类表现。
Oct, 2016
该研究提出了一种新的无监督方法来选择高斯核带宽值,其利用核矩阵的低秩表示来建议带宽值,该方法在低维数据上与现有技术相当,对许多类高维数据表现极好。
Nov, 2018
本研究通过稀疏表示技术改进了一类支持向量机(OC-SVM)用于无监督异常检测,提出了一种将 OC-SVM 和 DL 残差函数融合为单一复合目标的新异常检测模型,并通过 K-SVD 类型的迭代算法进行求解,同时将 DL 模型适应于字典对学习(DPL)上下文中,进一步扩展这两个目标以允许使用核函数,并对其参数进行了深入分析,通过与现有方法的比较展示了数值性能。
Apr, 2024