利用粒度统计不变量的学习用于分类
机器学习
2024-04-01 v1
摘要
利用统计不变量学习（LUSI）是一种新的学习范式，它采用弱收敛机制，可应用于更广泛的分类问题。然而，LUSI中不变矩阵的计算成本对于大规模数据集在训练期间很高。为了解决这个问题，本文为LUSI引入了粒度统计不变量，并开发了一种新的学习范式，称为利用粒度统计不变量学习（LUGSI）。LUGSI同时采用强收敛和弱收敛机制，从最小化期望风险的角度出发。据我们所知，这是首次构建粒度统计不变量。与LUSI相比，这种新的统计不变量的引入带来了两个优点。首先，它增强了数据的结构信息。其次，LUGSI通过最大化类间距离将大的不变矩阵转换为较小的矩阵，从而实现了大规模数据集分类问题的可行性，并显著提高了模型操作的训练速度。实验结果表明，LUGSI不仅表现出更好的泛化能力，而且训练速度更快，特别是对于大规模数据集。
引用
@article{arxiv.2403.20122,
title = {Learning using granularity statistical invariants for classification},
author = {Ting-Ting Zhu and Yuan-Hai Shao and Chun-Na Li and Tian Liu},
journal= {arXiv preprint arXiv:2403.20122},
year = {2024}
}