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
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
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
该论文介绍了一种用于支持向量机(SVM)的多核学习框架(缩写为 MKL)以及使用 $(0, 1)$ 损失函数的方法。通过给出一些一阶次优性条件,进而设计了一种快速 ADMM 求解器来处理非凸和非光滑优化问题。对合成和真实数据集进行了广泛的数值实验,显示出我们的 MKL-$L_{0/1}$-SVM 与一种名为 SimpleMKL(Rakotomamonjy、Bach、Canu 和 Grandvalet 在《机器学习研究杂志》2008 年第 9 卷 2491-2521 页中开发的方法)的先进方法的性能相当。
Aug, 2023
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
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
本文介绍了一种基于核的分类器,通过将核矩阵视为广义图,并利用图嵌入技术的最新进展,提出了一种新的核矩阵嵌入方法,能够快速且可扩展地进行嵌入,无缝地整合多个核以增强学习过程。通过随机变量,我们对该方法进行了人群级别的理论分析。在实证方面,我们的方法在各种模拟和真实数据集上表现出优越的运行时间,与支持向量机和两层神经网络等标准方法相比,实现了可比较的分类准确性。
Jun, 2024
本文提出了一种学习方案,通过可扩展地结合多个基于单核的在线方法来减少内核选择偏差,从而扩展了单核解空间,增加了找到高性能解的可能性,并在累积正则化最小二乘成本指标方面实验证明所提出的学习方案优于单独使用的组合单核在线方法。
本文提出了一种新的基于局部多核学习和门函数的一类分类算法,用于异常检测,与现有算法相比,该算法在 25 种基准数据集上的性能明显更好,支持向量更少。
May, 2018