ICLRNov, 2015

深度线性判别分析

PDF
TL;DR本文提出了 Deep Linear Discriminant Analysis（DeepLDA）方法，通过在深度神经网络中，学习可分离的线性潜在表示以进行分类的降维。作者的目标是最大化特征分布的相似度以推广传统的 LDA 算法，通过三个基准数据集的评估，DeepLDA 在 MNIST 和 CIFAR-10 上得到了竞争性的结果，在 STL-10 上也优于使用分类交叉熵进行训练的网络。
deep linear discriminant analysisend-to-end learningdeep neural networkdimensionality reductionclassification
发现论文，激发创造
  • GO-LDA: 广义最优线性判别分析

    本文提出了一种新的多类别线性判别分析 GO-LDA 方法，通过构造每个步骤中最大化 Fisher 准则的正交鉴别方向可以分离投影数据。该方法在多种模式识别和分类问题上都能提高准确性。

    May, 2023

  • Fisher 网络上的深度线性判别分析：一种用于人员再识别的混合架构

    本文介绍一种融合 Fisher 向量和深度神经网络的混合结构，以学习人像的非线性表示，进而实现对行人重新识别流程的优化。经过基于四个基准数据集 (VIPeR, CUHK03, CUHK01 和 Market1501) 的广泛实验验证，该模型达到了最先进的结果。

    Jun, 2016

  • 用谐波平均线性判别分析进行鲁棒性图像分类

    本篇论文介绍了一种基于调和均值的线性判别分析方法 -- 多类别判别分析，用于图像分类以及多标签的降维。实验结果表明，MCDA 在分类准确率、宏 F1 score 和微 F1 score 等方面优于其他单标签和多标签方法。

    Oct, 2016

  • 最大马氏线性判别分析网络

    本文提出了一种新型的 Max-Mahalanobis linear discriminant analysis (MM-LDA) 神经网络，结合了深度神经网络中的非线性变换和分类器的优化，这种方法在应对对抗攻击方面更具鲁棒性，并且在类别不平衡分类的表现也更加出色。

    Feb, 2018

  • 最小信息线性判别分析：使用无标签数据训练 LDA 模型

    该论文研究了线性判别分析（LDA）方法在有限的先验信息下如何计算未标记数据的精确投影向量，并验证了该方法在适应非平稳数据方面的优势。

    Oct, 2023

  • 使用深度神经网络从 LDA 模型中学习

    本研究提出了一种使用深度神经网络预测 LDA 模型中潜在主题分布的方法，借鉴了迁移学习的思想，实现了在大大降低计算时间的同时取得较好的分类效果。

    Aug, 2015

  • 使用非线性协方差矩阵估计器的正则化线性判别分析

    利用正半定岭估计器及非线性协方差矩阵估计器，本文提出了一种新颖的 NL-RLDA 分类器，并通过综合性能评估表明其在合成数据和真实数据上的有效性。与现有方法相比，该技术在多个数据集上均表现优异。

    Jan, 2024

  • 线性和二次判别分析：教程

    该论文介绍了线性判别分析和二次判别分析作为统计和概率学习中的两种基本分类方法，涵盖了决策边界优化、二元和多元类别的 LDA 和 QDA、LDA 和 QDA 与度量学习、核 PCA、马氏距离，Logistic 回归、朴素贝叶斯、最大似然比检验的联系，证明了 LDA 和 Fisher 判别分析是等价的，并通过模拟进行了一些理论的澄清。

    Jun, 2019

  • XLDA：边缘极端分类规模连续学习的线性判别分析

    在边缘部署的类增量学习中，流式线性判别分析（LDA）在有限类别的情况下（最多 1000 个）得到了证明，但对于极端分类场景的部署尚未得到证明。本文提出了 XLDA 框架，该框架在边缘部署中将 LDA 分类器证明与 FC 层等效，包括在极端分类场景中；并对可用的计算资源进行优化以实现基于 XLDA 的训练和推断。我们展示了使用批处理训练方法加速多达 42 倍，并在极端数据集（如 AliProducts（50k 类别）和 Google Landmarks V2（81k 类别））上通过最近邻搜索加速多达 5 倍的推断。

    Jul, 2023

  • 基于核对齐的线性判别分析

    本文提出了基于核对齐理论的线性判别分析新公式 kaLDA，并使用 Stiefel 流形梯度下降算法，对多种单标签和多标签数据集的实验结果表明，kaLDA 有良好的性能表现。

    Oct, 2016