该研究提出了两个基于概率分布的半度量,通过优化测试功率的下界,使用空间或频率位置的解析函数的期望之差的总和作为距离度量来最大化概率分布的可分辨性,并返回可解释的特征,用于高维文本和图像数据上进行线性时间测试。
May, 2016
本文提出了一种基于深度度量嵌入的半监督学习算法,利用少量标注数据和无标注数据的相对距离关系约束,得到在欧氏空间内区分力强的分类器,并可用于基于最近邻分类的应用。
Nov, 2016
在高维背景下,本文通过对数据的随机压缩版本进行训练和全秩度量,在距离度量学习的错误方面提供了理论保证,这不依赖于环境维度,同时假定数据来自有界支持并自动在存在良好几何结构时收缩。合成和真实数据集的实验结果支持我们在高维背景下的理论发现。
Sep, 2023
本文提出了一种基于提升法的技术,称为 BoostMetric,用于学习 Mahalanobis 距离度量标准,通过提升算法中有效和可扩展的学习过程,缓解了学习这种度量标准的主要困难之一,即确保 Mahalanobis 矩阵是正定半定的。在各种数据集上的实验表明,该算法在分类准确性和运行时间方面优于那些最先进的方法。
Oct, 2009
该研究介绍了一种基于 Boosting 算法的技术,名为 BoostMetric,用于学习一个二次的 Mahalanobis 距离度量,相较于传统算法有更好的分类准确度和运行时间,可应用于各种类型的约束条件。
Apr, 2011
本文提出了一种将大规模非度量差异矩阵转换为近似正半定核矩阵的有效而准确的技术,该技术结合了 Nystroem 逼近、潜在双中心化和特征值修正,并在几个大规模差异数据集上进行了实验。
Nov, 2014
本文针对半监督学习方法,提出了一种极小极大框架,通过对基于敏感度量的半监督方法进行控制参数 α 的调整,对未标注数据进行预测。
Apr, 2012
针对度量空间中的经典设施定位、$k$- 中位数和 $k$- 均值问题,我们提供了近线性时间的逼近方案,并展示了针对各种变型问题的技术扩展。
Dec, 2018
提出了一种算法,旨在学习最适合构建图的向量表示,以便在其上有效地解决半监督算法的任务。
Nov, 2015
介绍了第一个针对近邻的样本压缩算法,具有非平凡的性能保证,进一步展示了几乎匹配的困难性下界,提供了对度量空间中基于边界的近邻分类的新见解,并允许我们显著地加强和简化现有的边界定义。
Apr, 2014