Aug, 2017

自动核带宽选择的均值和中位数准则支持向量数据描述

PDF
TL;DR本研究提出了一种新的自动，非监督的方法来选择高斯核带宽以优化 Support vector data description (SVDD) 算法的性能。
support vector data descriptionanomaliessvdd classifiergaussian kernelbandwidth selection
发现论文，激发创造
  • 支持向量数据描述的核带宽选择的痕迹准则

    该研究提出了一种新的无监督方法来选择高斯核带宽值，其利用核矩阵的低秩表示来建议带宽值，该方法在低维数据上与现有技术相当，对许多类高维数据表现极好。

    Nov, 2018

  • 一种高效的核生存支持向量机训练算法

    本文提出了一种高效的核存活支持向量机 (SSVM) 训练算法，通过直接优化主要目标函数，采用截断牛顿优化和随机统计树，降低了与现有训练算法相比的计算复杂度，并证明其可以用于规模更大的数据。

    Nov, 2016

  • 中位数启发式算法的大样本分析

    该研究通过对核二样本检验的带宽设置进行收集新的发现，提供渐近正态性的收敛分析，比较了基于中值启发式和测试功率最大化选择的带宽的性能。

    Jul, 2017

  • 新软件项目缺陷密度预测的 v-SVR 多项式核方法

    本文研究了使用支持向量回归（SVR）来预测 International Software Benchmarking Standards Group（ISBSG）Release 2018 数据集中新软件项目的缺陷密度（DD），实验表明 v-SVR 与多项式核比简单线性回归（SLR）在第三代编程语言下开发主机上的新软件项目的预测准确性更好。

    Dec, 2018

  • 基于自动调优的混合内核 SVM 分类优化框架在智能像素数据集和异质结晶体管中的应用

    支持向量机 (SVM) 是一种科学和工程中广泛使用的最先进的分类方法，本文提出了一种基于自动调节优化框架的方法来量化 SVM 中超参数的范围，以确定它们的最佳选择，并将该框架应用于混合核函数的智能像素数据集和混合核异质结晶体管 (MKH) 数据集，实验结果表明超参数的最佳选择对于不同的应用和数据集有很大的差异，未知的超参数 C 和 coef0 会导致严重的低准确率，该方法可以有效地量化超参数的合适范围并确定其最佳选择来实现最高准确率，高能物理 (HEP) 应用的最高准确率达到 94.6％，MKH 应用的平均准确率为 97.2％且调优时间大大减少。

    Jun, 2024

  • Patch SVDD：基于块的 SVDD 用于异常检测和分割

    通过扩展支持向量数据描述（SVDD）的深度学习变体，我们使用自监督学习构建基于补丁的方法来实现图像异常检测和分割，并在 AUROC 上展示了比以往最先进方法提高了 9.8％和 7.0％的检测和分割性能。

    Jun, 2020

  • 基于截断 ANOVA 分解的快速可解释支持向量分类

    支持向量机是一种在高维空间中处理分散数据进行分类的重要工具，本研究中利用基于三角函数或小波的特征映射来解决 SVM 问题，并通过多元基函数的限制实现计算效率的提升和解释性强的模型。同时，通过数值实例验证，使用 L1 范数正则化可以在准确性和解释清晰度方面获得更好结果。

    Feb, 2024

  • 数据分类的一种 SVM 方法替代方案

    支持向量机（SVM）是一种流行的用于数据分类的核方法，本文提出一种基于最佳子空间的最小距离的新方法，以解决 SVM 存在的时间处理、高维情况下优化过程失败、多类别泛化、不平衡类别和动态分类的问题，并取得了类似的性能改进。

    Aug, 2023

  • 基于核的模态统计方法的最优核函数

    本文研究核函数的选择对核基模态统计方法中估计精度的影响，理论上证明了一种多元最优核函数，能够在使用最优带宽时，最小化其解析得到的渐近误差准则。

    Apr, 2023

  • 基于分离度和离散度比率的高效支持向量机正则化参数、核函数以及核函数参数选择

    通过随机分析正则化参数的行为，本文将 SVM 的性能建模为数据的可分性和散乱性比率的函数。该比率可以自动检测线性或非线性可分性，并提供优化的正则化参数和核函数及其参数，从而将 CV 网格搜索的计算复杂性仅减少到一次使用 SVM，真实数据集的模拟结果证实了该方法在计算复杂性方面的优越性和高效性。

    May, 2023