利用贝叶斯不确定性估计解决类别不平衡学习的问题,并且成功改进了面部验证、属性预测、数字 / 物体识别、皮肤病检测等六个基准数据集上的分类性能。
Jan, 2019
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
本文提出了 Gibbs max-margin 监督主题模型的新型损失函数,通过引入增广变量和解析地消除 Dirichlet 变量,从而开发了简单的 Gibbs 抽样算法以解决多个潜在 SVM 子问题,且无需限制假设和解决 SVM 子问题,从而在许多分类任务中实现了时间效率和分类性能的显着提高。
Oct, 2013
研究高维和大量数据下来自高斯混合分布的软间隔和硬间隔支持向量机分类器的渐近行为,并提出了应用于分类错误率、边缘和偏差等重要参数的尖锐预测。同时,通过分析硬间隔 SVM 可分离的最大训练样本数,精确比较了硬间隔和软间隔 SVM 的性能,并提高了对相关参数(如测量数量和边缘参数)对分类性能的理解。
Mar, 2020
本文研究现代机器学习系统中深度神经网络等通常高度过参数化的现象,探究其在数据生成、最大边界分类器和风险界限等方面的应用并给出改进性结果。
Apr, 2021
我们提出了一种新的多类支持向量机方法,通过考虑两两类别损失,并最大化最小的间隔,实现多类别分类。我们的方法在深度学习中类似于 softmax 的概念,可以作为深度学习中网络参数学习的有效增强。实证评估结果表明,我们的方法在现有的多分类方法上具有明显的优势。
本文重新审视和改进了最大化边际的基本分类工具 SVM 的广义界限,并通过近乎匹配的下限补充了新的广义界限,从而几乎解决了 SVM 在边际方面的广义性能。
Jun, 2020
本论文提出了一种基于单一公式的杂交损失函数,该函数在分类和聚类之间进行联合,并提高了分类器在不平衡数据集上的泛化能力,可以支持多个类别原型,具有视觉分类和验证任务的显着性能改进。
本文提出了一种双参数边距支持向量机(TPMSVM)模型来解决多类分类问题,该模型通过解决 TPMSVM 类型的模型构建分类器,并通过 Robust 优化技术来鲁棒化,初步实验结果表现良好。
Jun, 2023
该研究提出了一种基于条件分布和 delta 分布的参数估计框架,通过最小化基于损失函数的不相似系数来促进两个分布的协同。该方法在两个挑战性问题 - 目标检测和动作检测上获得了良好的效果。
Jun, 2012