学习混合线性分类器
本文提出一种新的基于低秩线性回归和张量幂法的计算高效且具有保证一致性的鉴别性潜变量模型估计方法,该方法在混合线性回归模型中被验证其收敛性能优于局部优化 EM 算法。
Jun, 2013
论文提出一种名为 Fourier Moment Descent 算法的新方法,用于在 mixture of linear regressions 和 mixture of hyperplanes 等多种情况下确定模型参数,可获得次指数级别的算法时间复杂度。
Dec, 2019
本文提出了通过张量分解方法学习广义线性模型的混合模型参数的方法,通过对输入进行特征转换以及使用得分函数张量和响应变量的交叉相关计算可以得到正确的参数估计,且其计算和样本复杂度是输入和潜在维度的低阶多项式。
Dec, 2014
本文介绍了一种基于谱方法的元学习器,可以在只有多个分类器的推荐或预测的情况下,可靠地排名它们,并构建一个比大多数组合中的分类器更准确的元分类器。该方法假设分类器之间具有条件独立性,并通过计算其协方差矩阵和特征向量进行排名,并进一步引入谱元学习器作为组合加权分类器。该方法在模拟和真实数据上达到了比大多数分类器更高的准确性。
Mar, 2013
本文介绍了一种判别潜在混合模型(DLM)和一种估计算法 Fisher-EM 算法,可用于高维数据空间中的聚类,其结果优于现有的聚类方法,可以用于质谱数据聚类
Jan, 2011
本文提出了一种新的谱范数方法,用于多任务学习,假设任务被分成不同的群组,每个群组具有相似的权重向量,并演示其在合成数据及 IEDB MHC-I 结合数据集上的优秀表现。
Sep, 2008
本文探讨了机器学习领域中很多算法都需要从样本中估计一个线性子空间的问题,并针对不同的度量标准推导了新的学习误差估计方法,该方法还可以用于 PCA 和光谱支持估计的尖锐误差估计,是一种具有广泛适用性的光谱学习方法的算子理论方法的重要研究成果。
Aug, 2014