快速可扩展的多内核编码器分类器

Jun, 2024

快速可扩展的多内核编码器分类器

Fast and Scalable Multi-Kernel Encoder Classifier

Cencheng Shen

TL;DR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。

Abstract

This paper introduces a new kernel-based classifier by viewing kernel matrices as generalized graphs and leveraging recent progress in graph embedding techniques. The proposed method facilitates fast and scalable kernel matrix embedding, and seamlessly integrates →

kernel-based classifier graph embedding techniques multiple kernels learning process classification accuracy

发现论文，激发创造

通用图和节点分类的编码器嵌入

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

用于图结构数据的卷积核网络

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

可扩展多视图聚类通过显式核特征映射

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

多个局部线性核机器

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

面向结构化数据的潜变量模型判别嵌入

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

核图卷积神经网络

本文旨在利用图形核函数解决图形数据处理问题，通过选取合适的滤波器、池化层以及前馈神经网络进行特征学习，最终在十个基准数据集的七个中达到了优异的表现。

Oct, 2017

基于语义类别的图像检索的可扩展非线性嵌入

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

A la Carte - 学习快速内核

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

异构关系核学习

本文将贝叶斯方法扩展到异质时间序列数据的可解释核嵌入，其可用于聚类、模式识别和异常检测等，相较于以往的关系核学习方法，具有更强的实用性。

Aug, 2019

高维非线性多元回归和 Granger 因果关系的可扩展矩阵核学习

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