本文提出并证明了三种新的启发式算法可以用于遥感应用中的样本选择,以最小化模板来估计其位置估计与真实模板之间的误差。
Sep, 2013
本论文研究使用替代距离的最近邻分类器(k-NN)算法,并探讨了基于一系列随机范数或基于一些特定的一致性条件的距离,并探究了对类别标签的自适应选择距离的两阶段 k-NN 分类器。
Nov, 2015
本文提出一种同时利用数据流形结构和本地判别信息的半监督特征学习方法,并通过变体 Fisher 准则模型对每个局部团体进行本地判别评估和对所有团体的全局集成,使用标签将同一类别的数据之间的距离最小化,使用核方法将提出的模型扩展到高维空间,实验结果显示,本方法优于其他许多数据集。
Jul, 2016
本文提出了一种简单的,能够使权重最优化的局部加权回归/分类方法,并能够为需要估计值的每个数据点高效地找到权重和最优化的邻居数量,从而在多个数据集上展示了比标准局部加权方法更优异的性能表现。
Jan, 2017
研究使用局部-$k$-最近邻分类器的全局超额风险的渐近展开式,通过此理论发现半监督学习问题中的局部选择 $k$ 能够实现额外风险的收敛速率,同时通过模拟研究验证了该理论。
Apr, 2017
本文提出了一种廉价的方法来学习有效的差异度量函数,该函数可用于$k$-最近邻分类。方法通过仅学习标记对象的变换来提高分类准确性,同时保持查询对象在原始坐标系中不变。通过解决标准岭回归问题,可以有效地学习变换,且速度比现有方法快两个数量级以上。此外,该方法消除了优化“负”对象对的开销,并具有减少数据中心极性的理论基础。
Jun, 2018
该论文提出了一种利用成对数据信息进行分类的方法,其中使用了经验风险最小化方法来评估分类风险,可以从成对相似性和未标记数据计算出分类风险的无偏估计器。这种方法不仅可以处理相似性,而且还可以处理不相似性,并且可以估计误差范围。
Apr, 2019
使用适当的p值,角度闵可夫斯基p距离可以比传统的余弦不相似性得到更高的分类性能。
Sep, 2023
最近邻分类器在高维、低样本量情况下(尤其是当竞争类之间的尺度差异主导位置差异)常常受到距离集中和邻域结构违规的影响。本文讨论了一些现有方法并提出了一些新方法,在这方面进行了一些理论研究,并分析了几个模拟和基准数据集,将提出的方法与一些现有方法进行了比较的经验表现。
Jul, 2024
本研究解决了传统 $k$-最近邻算法中邻居数 $k$ 定义不当的问题,提出了一种新颖的自适应 $k$-最近邻 ($kK$-NN) 算法。该方法通过局部估计曲率动态调整邻域大小,实验证明该算法在处理有限训练样本时表现出优越的平衡准确率,展现了更强的分类能力。
Sep, 2024