利用核主成分分析(KPCA)框架进行异常数据检测,通过非线性核映射来提高内分布和外分布特征的分离性能,实验证明其在效率和性能方面优于现有的最先进的异常数据检测方法。
Feb, 2024
通过在再生核希尔伯特空间中扩展半空间深度来处理分布的多模态性,并证明了该深度的一致性和可靠的浓度界限,从而实现了快速计算半空间深度数倍数量级的性能。
Dec, 2023
本文提出一种基于弹性网规则表达式的核特征空间中 SKPCA 方法,并对其有效性进行了数学分析。采用基于 RBF 核的 SKPCA 方法进行离群点检测,并在 5 个真实数据集上进行测试,证明了使用仅 4%或更少的主成分即可达到与 KPCA 相当的性能,同时具有更好的准确性和稀疏性。最后,提供了一种新颖的概率证明以证明使用 RBF 核的 KPCA 具有稀疏解的存在。
Sep, 2018
本文总结了基于随机投影的不同方法的使用情况,旨在帮助实践者为其特定应用选择合适的技术,并列举了各种方法的优缺点,并为研究人员提供进一步的参考,以开发新的基于随机投影的方法。
Jun, 2017
提出一种非参数密度估计算法,通过将传统的核密度估计器(KDE)与经典 $M$-estimation 的思想相结合,以及利用核化迭代加权最小二乘(IRWLS)算法对样本均值进行鲁棒性估计从而获得鲁棒 Kernel 密度估计器 (RKDE),并给出了它的相关理论性质和试验结果。
Jul, 2011
本文研究了利用 Optical Processing Unit 对大规模的 RF 进行快速且高能效的运算,得出此操作结果可以得到与多项式核函数相关的点积核,同时在核岭回归和图像分类中获得了优异的表现。
Oct, 2019
ROME (RObust Multi-modal density Estimator) 是一种非参数密度估计方法,通过聚类将多模态样本分成多个单模态样本,并将得到的单独聚类的简单核密度估计结合在一起,以估计多模态、非正态和高相关性分布。与其他估计器相比,ROME 不仅在密度估计中表现出色,而且更具鲁棒性,能够克服其他估计器的过拟合和过度平滑问题,从而为概率机器学习模型提供更可靠的评估。
Jan, 2024
该研究开发和提出了一种知识蒸馏(KD)方法(RDPD)来利用从丰富的私有数据训练的高复杂模型的蒸馏知识来增强在贫数据环境中训练的预测模型,在三个真实数据集上评估 RDPD ,并证明其蒸馏模型在所有数据集上一致优于所有基线模型,特别是在 PR-AUC 上比仅使用低质量数据训练的模型提高 24.56%,在 ROC-AUC 上提高了 12.21%,并且比现有技术的 KD 模型优化了 5.91%的 PR-AUC 和 4.44%的 ROC-AUC.
该研究开发并验证了一个深度学习框架,可用于检测和定量光学相干断层扫描中的玻璃体下淀粉样物和网状假性玻璃体下淀粉样物,对于 AMD 的研究和临床诊断有帮助。
Apr, 2022
本研究通过核方法的角度对卷积核网络进行了研究,发现其 RKHS 由补丁之间的交互项的加性模型组成,其范数通过汇聚层促进这些项之间的空间相似性,并提供了泛化界,以说明池化和补丁如何提高样本复杂度保证。
Feb, 2021