一种用于寻找最小VC维分类器的神经动力学系统
机器学习
2020-11-23 v1 机器学习
摘要
最近提出的最小复杂度机（MCM）通过最小化Vapnik-Chervonenkis（VC）维的精确上界来寻找超平面分类器。VC维衡量学习机器的容量，较小的VC维可改善泛化能力。在许多基准数据集上，MCM的泛化性能优于支持向量机（SVM），且使用的支持向量数量远少于SVM所用的数量。本文中，我们描述了一个基于线性动力系统的神经网络，它收敛到MCM解。所提出的MCM动力学系统有助于在芯片上实现模拟电路或使用常微分方程（ODE）求解器进行仿真。在来自UCI仓库的基准数据集上的数值实验表明，该方法可扩展且准确，因为我们使用MCM动力学系统获得了更高的准确率以及更少数量的支持向量（减少多达74.3%）。
引用
@article{arxiv.1503.03148,
title = {A Neurodynamical System for finding a Minimal VC Dimension Classifier},
author = {Jayadeva and Sumit Soman and Amit Bhaya},
journal= {arXiv preprint arXiv:1503.03148},
year = {2020}
}
备注
15 pages, 3 figures