基于本地化多核学习的异常检测:单类分类
本文提出了一种基于局部策略的多核学习方法,采用凸优化算法和 Fenchel 对偶表示,对于应用于计算生物学和计算机视觉等应用领域的真实数据集,相比全局和非凸局部策略,此方法能够获得更高的预测准确性。
Jun, 2015
提出了一种基于局部线性分类器组合的新非线性分类器,通过使用许多局部线性核将问题转化为 l1 多核学习问题,并提供了一种可扩展的用于处理流核的通用 MKL 训练算法,从而得到了适应高准确性但较慢的非线性分类器和快速但较低准确性的线性分类器之间的分类器。
Jan, 2024
多核学习是一种在生物学和生物信息学中用于多组学输入的灵活、有效的方法,并且可以与深度学习架构相竞争,为异构数据集成方法提供了进一步发展和生物数据挖掘研究的方向。
Mar, 2024
通过使用一种基于多视角心脏超声图像的一类分类算法,本研究介绍了一种新的早期心肌梗死检测方法,有效地将来自心脏超声图像数据中提取的特征转换为优化的低维度子空间,显著提高了心肌梗死检测的准确性。
Feb, 2024
本文提出了一种新的本地样本加权多核聚类(LSWMKC)模型,它在核空间中构建一个共识判别力亲和力图,揭示了潜在的本地结构,并输出一个最优的邻域核,具有自然稀疏属性和清晰的块对角结构。此外,LSWMKC 隐式地优化了不同邻居在相应样本上的自适应权重,并表现出比现有的基于核或图形的聚类算法更好的本地流形表示。
Jul, 2022
对一类分类(OCC)进行全面回顾,检查其实现中所采用的技术和方法,探讨了在不同数据类型(如特征数据、图像、视频、时间序列等)中用于 OCC 的各种方法。通过系统回顾,综合总结了自 OCC 起始到目前的主要策略,重点关注了有前景的应用。此外,该文章批评了主导一类实验的最新图像异常检测(AD)算法,如离群值暴露(二分类)和预训练模型(多分类),与从单一类别中学习的基本概念相冲突。我们的调查表明,用于一类 CIFAR10 基准测试的前九个算法并非 OCC。我们认为二分类 / 多分类算法不应该与 OCC 进行比较。
Apr, 2024
本文提出了一种新的 MKL 框架,通过将每个核定义为一致核的扰动,并为接近一致核的核分配大权重来解决现有算法的各种问题。该框架被集成到用于基于图形的聚类和半监督分类的统一框架中,并在多个基准数据集上得到了实验验证,证实了新框架的优越性。
Jun, 2018
本论文提出了一种新颖的多核学习框架,通过将多模态特征组合起来进行 AD 分类,提出了一种可伸缩且易于实现的方法,具有挑选最有区分度特征进行分类的能力,并在 ADNI 数据集上进行了实验证明其有效性。
Oct, 2013
该研究提出了一种通过使用 FastICA-TGAK-OCELM 算法结合数据重建技术来检测异常数据以提高无人机安全性的方法,实验证明该方法能够有效检测到点异常并提高精度超过 30%。
Feb, 2023
本文提出了一种一类神经网络(OC-NN)模型,该模型结合了深层网络提取数据的逐渐丰富的表示能力和创造紧密包围正常数据的单类目标,从而可以检测复杂数据集中的异常值,实验证明该方法表现良好。
Feb, 2018