快速可扩展的多内核编码器分类器
将图编码嵌入方法扩展到包括加权图、距离矩阵和核矩阵等一般图模型,证明该方法满足大数定律和中心极限定理,能够在一定条件下实现渐近正态性,并通过一系列实验证实了这些理论发现。
May, 2024
本文介绍了一种多层图形核的家族,并建立了图卷积神经网络与核方法之间的新联系。利用核特征图形的序列表示图形数据,从而将卷积核网络推广到了图形结构数据,实现了高效的数据表示和训练。在多个图形分类基准测试中,该方法实现了竞争性的性能,同时提供了简单的模型解释。
Mar, 2020
在本文中,我们引入了一个新的多视图子空间聚类的可扩展性框架,并提出了一种有效的优化策略,利用核特征映射来减少计算负担,同时保持良好的聚类性能。该算法的可扩展性意味着它可以应用于包含数百万数据点的大规模数据集,并在几分钟内使用标准机器完成。我们通过对各种规模的真实基准网络进行广泛实验,评估了我们的算法在支持多视图子空间聚类方法和属性网络多视图方法方面的性能。
Feb, 2024
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
提出了一种名为 structure2vec 的基于嵌入潜在变量模型的结构化数据表征方法,利用判别性信息进行特征空间学习,在数百万数据点的应用中运行速度是传统方法的两倍,模型则小 $10,000$ 倍,同时达到了最先进的预测性能。
Mar, 2016
提出了一种新颖的算法,用于通过非线性嵌入向量到低维欧氏空间中进行监督判别距离学习,该方法可以被视为核神经网络,并且可以通过类似于线性 Mahalanobis 距离度量学习算法的近似核化得出,该方法的模型参数数量和测试时间评估复杂度均为 O (dD),其中 D 是输入特征的维度,d 是投影空间的维数,在具有数十万个训练对的 CNN 特征的数据集上进行了实证比较。
Sep, 2015
通过 Fastfood 基函数扩展导出的一系列快速、灵活、轻度参数化和通用的核学习方法可以学习广泛类别的核,显示出比现有方法更高的准确度、速度和内存消耗。
Dec, 2014
提出了一种矩阵值多核学习框架,可用于高维非线性多元回归问题,并使用广泛的 Mixed Norm Regularizers 支持字典的向量值再现核希尔伯特空间上的疏松度约束;通过该框架,高维因果推断任务可被自然地看作稀疏函数估计问题进行,从而引出了一类新的图形 Granger 因果分析技术的非线性扩展。
Aug, 2014