Sep, 2024

基于局部形状算子的自适应 $k$-最近邻分类器

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 最近邻分类的参数局部度量学习

    本文介绍一种新的参数化定向metric学习方法，通过学习数据流形上的平滑metric矩阵函数，将本地度量作为区域不同点的锚定点上定义的基本度量的线性组合来学习，并应用manifold正则化来使学习到的metric矩阵函数沿着数据流形的测地线平滑变化，表现出极好的预测能力和可扩展性，并优于多种全局和局部的最先进的度量学习方法以及具有自动内核选择的支持向量机(SVM)。

    Sep, 2012

  • 最近邻分类的收敛速度

    本文提出了一种新的最近邻方法，它能够适应不同空间区域的不同距离尺度，并分析其在度量空间的行为，从而得出分布相关的有限样本收敛速率，并实现了广泛数据空间的最近邻的普遍一致性。

    Jun, 2014

  • 一类距离度量下基于k-近邻的数据集分类

    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

  • k*-最近邻居: 从全局到局部

    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

  • 局部近邻分类及其在半监督学习中的应用

    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

  • 分类的自适应最近邻规则

    该论文提出了一种改进的K近邻分类器，它可以自适应地为每个查询选择K，该选择取决于每个邻域的属性，因此可能在不同点之间显着变化，并且可以利用条件概率推导推导出一些收敛界限。

    May, 2019

  • 基于距离的分类器的PAC-Bayesian分析：最近邻为什么有效！

    本文介绍了一种基于稀疏先验的PAC-Bayesian限制方法，将K最近邻分类器转化为核空间框架以求得其广义误差的界限，并在实验中证明了其高效性。

    Sep, 2021

  • IAN: 迭代自适应邻域用于流形学习和维度估计

    本论文提出了一种基于相似性核的自适应邻域算法，可应用于非线性降维、测地线计算和维度估算，通过Gabriel邻域图进行迭代稀疏，并使用线性规划来全局地获得最小邻域和体积统计量以检测局外点。与基于k近邻的标准算法相比，实验表明这种自适应邻域算法的应用是有用的。

    Aug, 2022

  • 一种新的伪最近邻分类方法：使用局部谐波平均距离

    LMPHNN是一种基于KNN算法的分类器，通过利用谐波平均距离(HMD)来改善分类性能，在小样本量或异常值方面具有较低的敏感性。

    May, 2024

  • 关于最近邻分类器的高维修改

    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