核风险敏感损失：定义、性质及在鲁棒自适应滤波中的应用
机器学习
2017-04-26 v1
摘要
在核空间中定义的非线性相似性度量，如相关熵，能够提取数据的高阶统计信息，并在非高斯信号处理和机器学习中提供相对于线性对应物潜在显著的性能提升。本工作中，我们提出核空间中的一种新相似性度量，称为核风险敏感损失（KRSL），并给出一些重要性质。我们将KRSL应用于自适应滤波并研究其鲁棒性，进而开发了MKRSL算法并分析了其均方收敛性能。与相关熵相比，KRSL能提供更高效的性能曲面，从而使基于梯度的方法在保持对离群值鲁棒性的同时实现更快的收敛速度和更高的精度。理论分析结果与新算法的优越性能通过仿真得到验证。
引用
@article{arxiv.1608.00441,
title = {Kernel Risk-Sensitive Loss: Definition, Properties and Application to Robust Adaptive Filtering},
author = {Badong Chen and Lei Xing and Bin Xu and Haiquan Zhao and Nanning Zheng and Jose C. Principe},
journal= {arXiv preprint arXiv:1608.00441},
year = {2017}
}
备注
12 pages,8 figures