基于核对齐的线性判别分析
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
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
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
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。
Nov, 2015
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
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
此文提出了一种基于中心对齐的,新颖的,有效的学习核算法,应用在分类和回归中有效,其中包括学习最大对齐核的高效算法,以及基于该核的假设的一阶段算法,以及用于中心对齐的正则化。
Mar, 2012
本研究介绍了一种新的领域自适应算法,其中源域和目标域由特征向量所构成的子空间表示。通过学习将源子空间与目标子空间对齐的映射函数,我们的方法寻求一个不变的特征空间。我们提出了两种方法来确定超参数的大小,一种方法使用所得结果稳定性的理论边界来调整子空间的大小,另一种方法使用最大似然估计来确定子空间的大小。除了 PCA,我们还提出一种子空间创建方法,它在领域自适应中优于 PLS 和 LDA,并在各种数据集上对我们的方法进行了测试,结果表明它的性能优于现有的领域自适应方法。
Sep, 2014