KDDFeb, 2018

基于子空间的学习中的干扰 Grassmann 核

PDF
TL;DR该研究聚焦于子空间学习问题，提出了三种新的核函数：Disturbance Grassmann（DG）核、与子空间矩阵有关的干扰的投影核和基的奇异值干扰的投影核，以应对现有算法中忽视子空间不稳定性的问题，实验表明所提出的核相比现有基于子空间的方法表现更佳。
subspace-based learninggrassmann kernelsdisturbancelinear classifiersaction data
发现论文，激发创造
  • 扩展 Grassmann 核家族：一个嵌入视角

    介绍了几个正定的 Grassmann 核，并证明这些核优于以前已知的核在各种任务中的表现，诸如分类，聚类，稀疏编码和哈希等。

    Jul, 2014

  • 在 Grassmann 流形上的字典异构学习和稀疏编码：一种外在解法

    本文提出了一种在非欧几里得空间上的稀疏字典学习算法，该算法通过将 Grassmann 流形嵌入到对称矩阵空间中来实现。在几种分类任务中，该算法较之目前最先进的方法如核仿射集算法和图嵌入 Grassmann 判别分析具有更好的识别精度。

    Oct, 2013

  • 稳健核稀疏子空间聚类

    我们提出了一种新的鲁棒核稀疏子空间聚类（RKSSC）算法，可用于具有严重稀疏损坏的数据，该算法可以通过核技巧将非线性问题转化为映射后的高维特征空间中的线性问题，以实现对这种类型损坏的稳健性。

    Jan, 2024

  • 在线线性、鲁棒和非线性子空间学习的内在 Grassmann 平均值

    本文提出了一种用于计算主要线性子空间的几何框架，并比较了 PCA 和 KPCA 的效率和性能。

    Feb, 2017

  • 通过支持测量机学习分布

    本文提出了一种基于核的判别式学习框架，使用概率分布作为训练数据，通过将概率分布表示为再生核希尔伯特空间中的平均嵌入，可以应用许多标准的基于核的学习技术，构造了一种支持测量机，提出了一种灵活的支持向量机，实验结果表明所提出的框架有效。

    Feb, 2012

  • 子空间学习的样本复杂度

    本文探讨了机器学习领域中很多算法都需要从样本中估计一个线性子空间的问题，并针对不同的度量标准推导了新的学习误差估计方法，该方法还可以用于 PCA 和光谱支持估计的尖锐误差估计，是一种具有广泛适用性的光谱学习方法的算子理论方法的重要研究成果。

    Aug, 2014

  • 对称正定流形上的核稀疏子空间聚类

    通过使用 Log-Euclidean 核，将 SPD 矩阵嵌入到重现核希尔伯特空间中，构建了在 SPD 流形上的核稀疏子空间聚类方法，即 KSSCR。通过利用数据内在的 Riemann 几何来发现潜在的子空间结构。实验证明，该方法比现有方法具有更好的聚类效果。

    Jan, 2016

  • 通过非参数散度估计在样本集上的核函数

    该论文提出了一种基于核函数的机器学习算法，可以通过对数据集的分组进行处理，采用独立同分布的样本集作为数据点，利用非参数估计器提取核函数特征从而实现多种分类、回归和异常检测等任务。

    Feb, 2012

  • 带有异常值的子空间聚类的几何分析

    本研究考虑了一个不带标签数据集的聚类问题，它们被认为靠近低维平面的联合。研究人员发展了一种新的基于几何分析的算法，名为稀疏子空间聚类（SSC），可以广泛应用于无监督学习和计算机视觉等领域，论文展示了它在多个方面的有效性，并开创了有关稀疏恢复问题的新思路，数值研究强调了方法的实用性。

    Dec, 2011

  • 广义关联学习 Grassmann 量化

    基于图像集分类的一种模型，使用广义相关学习向量量化来处理 Grassmann 流形数据，该模型返回一组原型子空间和相关向量，提供对模型决策的洞察，可成功地建模变化并具有较低的复杂度。

    Mar, 2024