置信核稀疏编码与字典学习
机器学习
2019-03-14 v1 机器学习
摘要
近年来，基于核的稀疏编码（K-SRC）因其在特征空间中对非线性数据结构的高效表示而受到特别关注。然而，现有的K-SRC方法存在训练与测试优化框架之间缺乏一致性的问题。本文提出一种新颖的置信K-SRC与字典学习算法（CKSC），其侧重于基于数据在核空间中的表示进行判别性重构。CKSC侧重于通过其对应数据类别中置信的加权贡献来重构每个数据样本。我们采用新颖的判别项将这一方案应用于算法的训练和测试框架。该特定设计提高了这些优化框架的一致性，并改善了召回阶段的判别性能。此外，CKSC在其字典学习框架中直接利用监督信息以增强字典的判别结构。在实证评估中，我们在DynTex++和UTKinect等多变量时间序列基准上实现了CKSC算法。通过将分类结果与最先进的K-SRC算法进行比较，我们关于所提算法优越性能的论断得到了证实。
引用
@article{arxiv.1903.05219,
title = {Confident Kernel Sparse Coding and Dictionary Learning},
author = {Babak Hosseini and Barbara Hammer},
journal= {arXiv preprint arXiv:1903.05219},
year = {2019}
}
备注
10 pages, ICDM 2018 conference