基于多样功能表示的监督学习：功能投票分类器

Mar, 2024

基于多样功能表示的监督学习：功能投票分类器

Supervised Learning via Ensembles of Diverse Functional Representations: the Functional Voting Classifier

Donato Riccio, Fabrizio Maturo, Elvira Romano

TL;DR功能数据分析（FDA）是用于建模和分析时间域函数数据的框架，在该领域中，集成学习的功能分类器只是最近引起了极大的兴趣。该论文的重点是基于功能数据的集成学习，展示了如何使用不同的功能表示来训练集成成员，并通过多数投票来组合基模型的预测结果。所提出的功能投票分类器（FVC）证明了不同的功能表示可以增加多样性从而提高预测准确性。使用多个真实世界数据集显示，与单个模型相比，FVC 可以显著提高性能。这个框架为功能数据的投票集成提供了基础，并在 FDA 领域激发了一个非常有潜力的研究方向。

Abstract

Many conventional statistical and machine learning methods face challenges when applied directly to high dimensional temporal observations. In recent decades, functional data analysis (FDA) has gained widespread popularity as a framework for modeling and analyzing data that are, by the

functional data analysis supervised classification ensemble learning functional classifiers functional voting classifier

发现论文，激发创造

功能数据分类的支持向量机

本文研究了使用支持向量机（SVM）进行函数数据分析的问题，着眼于曲线判别问题，展示了如何定义简单的内核函数以考虑数据的函数性质并导致一致的分类，实验表明考虑问题的函数特征对数据的分析是有益的。

May, 2007

神经网络中的函数数据表示

将 Radial-Basis Function Networks 和 Multi-Layer Perceptron 模型扩展到功能数据输入，以处理由输入输出对列表定义的功能数据，包括平滑基底上的投影、Functional Principal Component Analysis、功能居中和降级以及微分算子的使用，并在光谱数据分析基准测试中展示了这种功能方法。

Sep, 2007

S2DEVFMAP: 基于双集成投票融合的自监督学习框架用于时间序列中最大化异常预测

通过使用五个异构独立模型与双集成融合投票技术，该工作提出了一种新颖而强大的方法来进行异常检测，以提高工业冷却系统数据的可靠性和性能，实验结果表明该方法具有很高的准确性和可靠性。

Apr, 2024

函数回归

本文介绍了函数数据分析（FDA）的基本概念及其方法，着重介绍了 FDA 中应用广泛的函数回归，包括基函数、函数响应回归和函数之间的回归，并强调了重复性和规律性在这些方法中的作用。

Jun, 2014

功能数据分类的特征选择

该论文介绍了一种名为 FSFC（适用于功能分类的特征选择）的新方法，它解决了在具有分类响应和纵向特征的情况下同时执行特征选择和功能数据分类的挑战。通过集成逻辑损失和功能特征来识别分类的最重要特征，该方法利用功能主成分和自适应版增广拉格朗日算法解决了最小化过程，实现了高维数据的高效处理，并且在计算时间和分类准确率方面优于其他机器学习和深度学习方法。

Jan, 2024

用顺序神经网络增强功能数据分析：优势和比较研究

利用顺序神经网络（SNN）在函数数据分析（FDA）应用中的效果进行比较分析，结果表明 SNN 架构能克服传统 FDA 方法的局限性并提供可伸缩性、灵活性和改进的分析性能。

Nov, 2023

深度表征的水平和竖直集成用于分类

本文介绍了使用横向投票、纵向投票和横向堆叠集成方法来提高深度神经网络的分类性能，并在 ICML 2013 黑盒挑战中取得了不错的成绩。

Jun, 2013

深度神经网络用于多维函数数据的多类分类

本研究提出了一种新颖的 mfDNN 分类器，用于处理高维函数观测数据，采用稀疏深度神经网络架构，并采用 ReLU 激活函数和交叉熵损失函数来最小化多分类分类设置的风险函数。我们证明了 mfDNN 在模拟数据和不同应用领域的基准数据集上的性能。

May, 2023

基于组合模型的 Fisher 向量编码用于图像分类

本文提出了一种新的基于成分机制的生成模型，用于在 Fisher 矢量编码中增强局部特征的生成表征能力。

Jan, 2016

基于核嵌入的函数深层神经网络的非线性函数回归

利用平滑核积分变换的思想，我们提出了一种功能深度神经网络，其具有高效和完全依赖数据的降维方法。我们的功能网络的架构包括核嵌入步骤、投影步骤和表达深度 ReLU 神经网络，利用平滑核嵌入使其具有离散不变性、高效性和对噪声观测的鲁棒性，能够利用输入函数和响应数据的信息，对离散点数量的要求较低，具有良好的泛化性能。我们进行了理论分析和数值模拟来验证我们功能网络的这些优势。

Jan, 2024