关键词regularized regression
搜索结果 - 5
- 通过核回归理解对抗训练中的过拟合现象
本文对于在再生核希尔伯特空间中采用对抗训练和加噪数据增强的正则化回归方法进行了研究,发现这两种方法在一些情况下可能导致过拟合,但通过选择适当的正则化参数,这两种方法可以优于标准的核回归,实现小的广义误差和利普希茨常数。
- ICML关于正则化回归的核心集
本文研究基于规范化的正则化回归问题的簇核大小的影响,并在此基础上探讨了正则化回归的核心集比未正则化版本更小的情况,提出了一个修改后的 Lasso 问题,获得比最小二乘回归更小的核心集,并在多响应规则化回归中扩展了我们的方法,并通过实验展示了 - 可扩展贝叶斯加权自助法
本论文提出一种加权贝叶斯自助法(WBB)用于机器学习和统计学的不确定性量化,可通过对多维后验分布进行采样实现,计算速度快,可扩展性好,并对正则化回归、趋势滤波和深度学习等众多机器学习和统计模型进行了应用。
- 部分平滑正则化的自由度
本文考虑正则化回归问题,其中先验正则化器是一个凸函数并对于黎曼子流形是部分光滑的,我们研究了任何正则化最小化器对观察值微小扰动的敏感性,并提供了其精确的本地参数化。我们的主要敏感性分析结果表明,在观测变化微小地情况下,预测变化在同一活动子流 - 监督式主题模型
介绍了一种新的统计模型 —— 监督潜在狄利克雷分配(SLDA),应用变分方法处理难以计算的后验期望,解决回答类型的多样性并预测新文档的回答数值。与现代正则化回归以及无监督 LDA 分析相比,SLDA 有显著优势。