用于加速核偏最小二乘回归的Lanczos近似
机器学习
2010-08-13 v1
摘要
核偏最小二乘(KPLS)计算拟合的运行时间与样本数量成二次关系。然而，为模型选择获取敏感度度量（如自由度）或为更详细分析获取置信区间需要三次运行时间，这构成了实际数据分析中的计算瓶颈。我们提出了一种新的KPLS算法，该算法不仅能在二次运行时间内计算(a)拟合值，还能计算(b)其近似自由度和(c)误差条。该算法利用了核PLS与用于近似对称矩阵特征值的Lanczos算法之间的紧密联系，并利用这种近似在二次运行时间内计算核矩阵幂的迹。
引用
@article{arxiv.0902.3347,
title = {Lanczos Approximations for the Speedup of Kernel Partial Least Squares Regression},
author = {Nicole Kraemer and Masashi Sugiyama and Mikio Braun},
journal= {arXiv preprint arXiv:0902.3347},
year = {2010}
}
备注
to appear in Proceedings of the 12th International Conference on Artificial Intelligence and Statistics (AISTATS 09)