用于单类分类的图嵌入多层核极限学习机（或用于单类分类的图嵌入多层核岭回归）
机器学习
2019-04-16 v1 机器学习
摘要
大脑仅使用正常样本即可检测离群点。类似地，单类分类(OCC)也仅使用正常样本训练模型，训练后的模型可用于离群点检测。本文通过以层次化方式堆叠多种基于图嵌入核岭回归(KRR)的自编码器，提出了一种用于OCC的多层架构。这些自编码器在两类图嵌入下构建，即局部与基于全局方差的嵌入。该图嵌入探索样本间关系，且自编码器的多层将输入特征投影到新特征空间。该架构的最后一层是基于图嵌入回归的单类分类器。自编码器采用无监督学习方式，最后一层采用半监督(仅由正样本训练并得到闭式解)学习方式。所提方法在21个公开基准数据集上进行了实验评估。实验结果验证了所提单类分类器相对于11种现有SOTA核基单类分类器的有效性。还进行了Friedman检验以验证所提单类分类器优于现有SOTA方法的统计显著性。通过使用两类图嵌入，本文给出了4种图嵌入多层KRR基单类分类器的变体。所有4种变体在本文讨论的各项准则上均优于现有单类分类器。因此，它可作为OCC任务的可行替代方案。未来可在所提架构中探索其他各类自编码器。
引用
@article{arxiv.1904.06491,
title = {Graph-Embedded Multi-layer Kernel Extreme Learning Machine for One-class Classification or (Graph-Embedded Multi-layer Kernel Ridge Regression for One-class Classification)},
author = {Chandan Gautam and Aruna Tiwari and M. Tanveer},
journal= {arXiv preprint arXiv:1904.06491},
year = {2019}
}
备注
arXiv admin note: substantial text overlap with arXiv:1805.07808