Jan, 2024

使用非线性协方差矩阵估计器的正则化线性判别分析

PDF
TL;DR利用正半定岭估计器及非线性协方差矩阵估计器，本文提出了一种新颖的 NL-RLDA 分类器，并通过综合性能评估表明其在合成数据和真实数据上的有效性。与现有方法相比，该技术在多个数据集上均表现优异。
linear discriminant analysisrlda methodsregularization parameterinverse covariance matrixnl-rlda classifier
发现论文，激发创造
  • 用谐波平均线性判别分析进行鲁棒性图像分类

    本篇论文介绍了一种基于调和均值的线性判别分析方法 -- 多类别判别分析，用于图像分类以及多标签的降维。实验结果表明，MCDA 在分类准确率、宏 F1 score 和微 F1 score 等方面优于其他单标签和多标签方法。

    Oct, 2016

  • 深度线性判别分析

    本文提出了 Deep Linear Discriminant Analysis（DeepLDA）方法，通过在深度神经网络中，学习可分离的线性潜在表示以进行分类的降维。作者的目标是最大化特征分布的相似度以推广传统的 LDA 算法，通过三个基准数据集的评估，DeepLDA 在 MNIST 和 CIFAR-10 上得到了竞争性的结果，在 STL-10 上也优于使用分类交叉熵进行训练的网络。

    Nov, 2015

  • 最小信息线性判别分析：使用无标签数据训练 LDA 模型

    该论文研究了线性判别分析（LDA）方法在有限的先验信息下如何计算未标记数据的精确投影向量，并验证了该方法在适应非平稳数据方面的优势。

    Oct, 2023

  • GO-LDA: 广义最优线性判别分析

    本文提出了一种新的多类别线性判别分析 GO-LDA 方法，通过构造每个步骤中最大化 Fisher 准则的正交鉴别方向可以分离投影数据。该方法在多种模式识别和分类问题上都能提高准确性。

    May, 2023

  • 稀疏线性判别分析的直接估计方法

    本文研究高维数据的稀疏线性判别分析，提出了一种基于约束 L1 范数最小化，直接估计精度矩阵和均值向量差积的线性规划判别规则（LPD），该规则具有理论上的可行性和数值上的优越性，同时还能在无法一致估计精度矩阵和均值向量差时发挥作用。该规则应用于肺癌和白血病数据集分析中，表现出优异的表现。

    Jul, 2011

  • 线性和二次判别分析：教程

    该论文介绍了线性判别分析和二次判别分析作为统计和概率学习中的两种基本分类方法，涵盖了决策边界优化、二元和多元类别的 LDA 和 QDA、LDA 和 QDA 与度量学习、核 PCA、马氏距离，Logistic 回归、朴素贝叶斯、最大似然比检验的联系，证明了 LDA 和 Fisher 判别分析是等价的，并通过模拟进行了一些理论的澄清。

    Jun, 2019

  • 加权缺失线性判别分析：用于具有缺失数据的可解释分类方法

    提出了一种新颖的方法 WLDA，用于在缺失数据下进行线性判别分析，通过权重矩阵对缺失值进行惩罚，在医学、金融等高风险领域中能比传统方法更好地解释和分类数据。

    Jun, 2024

  • 预测的高维渐近性：岭回归和分类

    本文在高维渐近极端条件下，对岭回归和正则化判别分析在密集随机效应模型中的预测风险进行了统一分析，并提供了两种方法的极限预测风险的明确和高效可计算的表达式。同时，揭示了岭回归和正则化判别分析各自的一些定性见解，本分析基于最近在随机矩阵理论领域的一些新进展。

    Jul, 2015

  • FEMDA：一种强大而灵活的分类方法

    研究一种新的辨别分析技术，可以应对非高斯分布和数据污染，采用椭圆对称分布和任意比例参数建模，从而实现抗尺度变化的简单、快速、鲁棒的决策规则

    Jul, 2023

  • 最大马氏线性判别分析网络

    本文提出了一种新型的 Max-Mahalanobis linear discriminant analysis (MM-LDA) 神经网络，结合了深度神经网络中的非线性变换和分类器的优化，这种方法在应对对抗攻击方面更具鲁棒性，并且在类别不平衡分类的表现也更加出色。

    Feb, 2018