Jun, 2024

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

PDF
TL;DR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。
artificial intelligencelinear discriminant analysismissing dataexplainabilitywlda
发现论文，激发创造
  • 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

  • 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

  • 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

  • 使用非线性协方差矩阵估计器的正则化线性判别分析

    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。

    Jan, 2024

  • 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

  • 高维线性判别分析：最优性、自适应算法和缺失数据

    提出一种基于自适应受限 L1 最小化方法的无需调参分类规则，并证明了其在一组参数空间内的速率最优性。同时，对于存在缺失数据的分类问题，引入了一种具有理论保证的自适应分类器，并建立了在 MCR 模型下高维线性判别分析的最优收敛率。该研究围绕线性判别分析的最优性理论展开，并在实际的肺癌和白血病研究中进行了应用。

    Apr, 2018

  • 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

  • 短时间缺失数据分类的多变量函数线性判别分析

    在大多元和不完整数据时代，需要一个能够计算可行地估计特征之间统计依赖并处理缺失值的方法。我们开发了 MUDRA（多元 FLDA 的多元版本）来解决这个问题，并描述了一种高效的期望 / 条件最大化算法来推断其参数。我们在 “Articulary Word Recognition” 数据集上评估了 MUDRA 的预测能力，并展示了其在处理缺失数据时相对于最先进方法的改进。MUDRA 允许解释性地对具有大量缺失数据的数据集进行分类，这在医学或心理数据集中尤其有用。

    Feb, 2024

  • Wasserstein 判别分析

    Wasserstein 判别分析是一种新的有监督方法，可以通过计算适当的线性映射到较低维子空间来提高高维数据的分类性能。

    Aug, 2016

  • 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