CI-RKM: 一种面向鲁棒受限核机器的类别信息方法
机器学习
2025-04-17 v1
摘要
受限核机器（RKMs）是核机器家族中一个通用且强大的框架，利用共轭特征对偶性来处理广泛的机器学习任务，包括分类、回归和特征学习。然而，在存在噪声和异常值的情况下，其性能会显著下降，从而损害鲁棒性和预测精度。在本文中，我们通过集成一个类别信息加权函数，提出了对RKM框架的一种新颖增强。该加权机制根据训练点与类别中心的接近程度以及类别特定特征，动态调整各个训练点的贡献，从而减轻噪声和异常值数据的不利影响。通过引入加权共轭特征对偶性并利用Schur补定理，我们提出了类别信息受限核机器（CI-RKM），这是RKM的一种鲁棒扩展，旨在提高对数据缺陷的泛化能力和韧性。在基准数据集上的实验评估表明，所提出的CI-RKM持续优于现有基线，实现了卓越的分类精度和增强的鲁棒性。我们的方法在核学习模型的发展中取得了显著进展，解决了该领域的一个核心挑战。
引用
@article{arxiv.2504.11476,
title = {CI-RKM: A Class-Informed Approach to Robust Restricted Kernel Machines},
author = {Ritik Mishra and Mushir Akhtar and M. Tanveer},
journal= {arXiv preprint arXiv:2504.11476},
year = {2025}
}
备注
Accepted in International Joint Conference on Neural Networks (IJCNN) 2025