- 基于 Tensorized SVMs 和 LSSVMs 的低秩多任务学习
多任务学习中使用高阶张量表示任务间的结构关系,并通过线性组合共享因子、特定因子来模拟任务关联,提出通用的基于低秩的多任务学习方法,证实了该方法在多任务学习中的有效性和优越性。
- 何时购买?购买时机的生存机器学习模型比较
利用机器学习技术,该研究分析了市场营销中的机器学习技术,如支持向量机、深度学习和生存模型,以预测个体的购买决策。研究发现,DeepSurv 模型预测购买完成度最好,这些洞见可帮助营销人员提高转化率。
- 使用多目标遗传算法生成量子特征映射
我们使用一种多目标遗传算法来高效生成支持向量机的量子特征映射,该方法能使得访问高维希尔伯特空间成为可能,并通过最小化量子特征映射电路的本地和非本地门成本来同时最大化分类准确度,对比了经典分类器以了解量子机器学习的优势,并显示出量子核方法的优 - SBSM-Pro:支持蛋白质的生物序列机器
我们提出了一种支持生物序列机器用于蛋白质分类的模型,该模型通过使用机器学习算法来帮助和引导生物实验,在生物技术应用中提供了重要的洞察。该研究展示了在蛋白质分类领域的最新工作,并为生物序列分类领域的新方向铺平了道路,对于定制的平台开发具有积极 - 通过矩阵公式增强支持向量机中的模式分类
支持向量机 (SVM) 在统计学习理论的成功应用方面获得了显著的赞誉。然而,在多类和多标签设置环境中,现有基于向量表示的 SVM 模型的依赖性对于灵活性和易于整合附加项以处理特定挑战方面存在局限性。为了克服这些限制,我们的研究重点介绍了一个 - 基于矩阵分解的随机性识别:在黑洞数据上的应用
本文提出了一种基于奇异值分解和主成分分析的算法用于时序分类,将所提方法应用于黑洞 GRS 1915+105 的时间序列数据上,结果显示在 12 个时间类别中具有较高的分类准确度。
- 利用量子核支持向量机进行多光谱卫星图像中的云检测
本文介绍了一种使用量子核心的支持向量机算法,旨在用于卫星数据分析,并以云检测为例,对 Landsat-8 多光谱数据集进行了实验,表明该算法可以成功分类卫星图像并达到与传统支持向量机相同的准确性。
- 使用径向基函数在支持向量机上实现小行星的轨道分类
本研究聚焦于使用径向基函数支持向量机算法对小行星轨道进行分类,研究结果表明这种方法在数据集方面效率和准确性均较好,并给出最佳参数设置,研究强调了使用机器学习技术分类小行星轨道的重要性及该算法的有效性。
- 高维情况下极小化风险分类器的高效学习
本研究使用限制生成方法为高维数据提供可靠的分类算法,并选择有竞争力的特征。
- 联邦学习:你可能不必频繁通信!
本文研究了联邦学习模型的泛化误差,通过 PAC-Bayes 和速率失真理论对其进行了分析,发现在联邦学习中客户端和参数服务器通信的轮数会影响泛化误差,并且在应用于 FSVM 时,泛化误差随着轮数增加而增加,因此需要优化轮数以减小 FL 算法 - 拉格朗日对偶方法评估支持向量机的鲁棒性
提出了一种方法,通过解决拉格朗日对偶问题来形式化支持向量机(SVM)的对抗鲁棒性评估,并在 MNIST 和 Fashion-MNIST 数据集上评估了具有线性和非线性内核的 SVM 的对抗鲁棒性,结果表明该方法的可证明鲁棒性比最先进技术要好 - 基于隐私保护的联邦学习核方法
用于水平分布数据的联邦学习方法 FLAKE,可以保护机密性并高效地计算 Gram 矩阵,从而实现隐私保护的核方法,适用于机器学习和数据挖掘等领域。
- 简洁的力量:为何简单线性模型胜过复杂机器学习技术 —— 以乳腺癌诊断为例
研究了简单线性模型与复杂机器学习技术在乳腺癌诊断中的有效性,强调了解释性和计算效率在医学领域的重要性。结果表明,相对于决策树和支持向量机,简单线性模型具有更好的性能,可提供更清晰的输出和更高的可扩展性和实用性。
- 局部支持向量机的 Lp 和风险一致性
本文分析了本地化支持向量机在一些弱条件下的相对一致性,证明了即使训练数据集的大小发生变化,本地化 SVM 可以从全局 SVM 继承 lp- 和风险一致性。
- Snacks: 一种快速的大规模核支持向量机求解器
本文提出了一种新的大规模支持向量机求解器 Snacks,其中利用了核矩阵的 Nyström 逼近和随机次梯度方法的加速变体,通过详细的实证评估形式上证明其在各种基准数据集上与其他 SVM 求解器相当。
- 使用支持向量机在 KDDCUP'99 和 NSL-KDD 数据集上的入侵检测系统:一项综合调查
该研究回顾了当代文献,针对支持向量机(SVMs)作为分类器的不同类型的入侵检测技术进行了综合调查,并仅关注在网络安全领域中最广泛使用的两个数据集:KDDCUP'99 和 NSL-KDD 数据集。研究人员提供了每种方法的总结,确认了 SVMs - 代数可解释控制器:决策树和支持向量机联手
本研究使用决策树和支持向量机相结合的方法以获得关于更多复杂动态系统的可理解控制器。
- 数据集划分对口吃检测系统的影响
本文研究了不同的数据分割和分割策略对口吃检测系统性能的影响,并使用 wav2vec 2.0 模型和支持矢量机 (SVM) 来检测口吃现象。我们使用 Stuttering Events in Podcasts (SEP-28k) 数据集中的不 - 受对抗标签污染影响的支持向量机
本文针对使用支持向量机(SVM)进行垃圾邮件和恶意软件检测等安全相关任务时存在的安全问题进行了探究,特别是研究了 SVM 对面向标签噪声攻击的安全性,并通过启发式方法解决了攻击策略的最优化问题,并在合成和实际数据集上进行了广泛的实验分析。最 - 支持向量机指数收敛速率的案例
该研究论文研究了分类问题,并介绍了一种简单的机制来获得快速收敛率,以及它在支持向量机中的使用,证明了 SVM 可以展现指数收敛率而不需要假定艰难的 Tsybakov 边缘条件。