广义交集核
机器学习
2016-12-30 v1 机器学习
摘要
继最近关于“广义极小极大”(GMM) 核的工作之后，本研究提出了“广义交集”(GInt) 核及相关的“归一化广义极小极大”(NGMM) 核。在计算机视觉中，（直方图）交集核一直很受欢迎，而 GInt 核将其推广至可同时包含负值和正值条目的数据。通过对 UCI 仓库中的 40 个数据集进行广泛的实证分类研究，我们能够证明这种（免调参的）GInt 核表现相当出色。实证结果还表明，NGMM 核通常优于 GInt 核。有趣的是，NGMM 核还有另一种解释——基于“非对称哈希”的思想，它是 GInt 核的“非对称变换”版本。正如 GMM 核一样，NGMM 核可以通过（例如）广义一致加权采样 (GCWS) 进行高效线性化，这一点在我们的研究中得到了实证验证。由于哈希值的离散特性，它还提供了一种近似近邻搜索的方案。
引用
@article{arxiv.1612.09283,
title = {Generalized Intersection Kernel},
author = {Ping Li},
journal= {arXiv preprint arXiv:1612.09283},
year = {2016}
}