基于图聚类和半监督分类的自加权多核学习

IJCAIJun, 2018

基于图聚类和半监督分类的自加权多核学习

Self-weighted Multiple Kernel Learning for Graph-based Clustering and Semi-supervised Classification

Zhao Kang, Xiao Lu, Jinfeng Yi, Zenglin Xu

TL;DR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。

Abstract

multiple kernel learning (mkl) method is generally believed to perform better than single kernel method. However, some empirical studies show that this is not always true: the combination of multiple kernels may

multiple kernel learning mkl consensus kernel graph-based clustering semi-supervised classification

发现论文，激发创造

局部加权多核聚类与共识判别图

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

基于图的在线多核学习

该论文提出了一种数据驱动的核选择方法，利用相似性构建和优化图，辅助选择核子集，以提高函数近似的准确性和降低计算复杂度，并且采用随机特征逼近来实现在线学习，并通过实验证明了新方法的优势。

Feb, 2021

二阶段多核学习的二元分类框架

本文将 Multiple Kernel Learning 问题表述为标准的二分类问题，并在保持学习内核正定性的附加约束条件下进行处理，从而使得更好、更可扩展的 MKL 算法能够更容易地利用二分类研究，从而在各个领域中取得更好的性能，并且易于在实践中操作。进行的实验结果表明，所提出的技术虽然简单，但相比于目前的领先 MKL 方法具有明显的优势。

Jun, 2012

多组学数据集成的监督多核学习方法

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

多个局部线性核机器

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

个性化在线联邦学习的多核方法

基于多核学习的在线非线性函数逼近，通过联邦学习在分布在不同客户端之间的数据上训练多核模型；提出一种算法框架，允许客户端以可负担的通信成本与服务器进行通信，并利用随机特征近似提出可扩展的在线联邦多核学习算法。实验证明，与其他在线联邦核学习算法相比，该算法具有显著优势。

Nov, 2023

多核 k 均值聚类的核相关 - 不相似性

通过综合使用核相关性和差异性，我们提出了一种新的方法来提取非线性信息和实现最优聚类，从而提高聚类的性能。

Mar, 2024

基于图聚类的低秩核学习

通过将图构建和核学习统一框架，可以通过彼此迭代的方式增强图及共识核，而我们提出了一种学习低秩核矩阵的方法，从候选核之间的邻域中寻找最优核矩阵，进而解决了现有多核学习算法中的一些问题，并得到了验证。

Mar, 2019

相似性和聚类的双生学习：统一的核方法

为解决相似性测量困难及非线性相似性未被充分考虑等问题，在核空间中提出一种模型，同时学习聚类指示器矩阵和相似度信息，并通过多核学习能力进一步扩展模型以选择最合适的内核。该模型可自动完成三个子任务以获得最佳聚类解决方案。

May, 2017

双重噪声最小化的多核聚类

本篇论文通过精确定义二重噪声、最小化噪声并设计了一个高效的两步迭代策略，提出了一种新的多核聚类算法，能有效地提高聚类性能。

Jul, 2022