利用交叉核与理想 PCA 进行学习
机器学习
2014-06-11 v1 交换代数
机器学习
摘要
我们描述了如何利用交叉核矩阵（即数据与自定义选择的“特征张成点”集之间的核矩阵）进行学习。交叉核的主要潜力在于：(a) 矩阵仅有一侧随数据点数量缩放，以及 (b) 与常规核矩阵不同，交叉核可用于验证数据流形。我们的理论框架基于涉及特征空间和消失理想的对偶性，表明交叉核具有用于任何类型核学习的潜力。我们提出了一种新算法 Ideal PCA (IPCA)，它对 PCA 进行了交叉核化。我们在真实和合成数据上证明，IPCA 允许 (a) 更快地获得类 PCA 特征，以及 (b) 提取验证数据流形的新型且经经验验证的特征。
引用
@article{arxiv.1406.2646,
title = {Learning with Cross-Kernels and Ideal PCA},
author = {Franz J Király and Martin Kreuzer and Louis Theran},
journal= {arXiv preprint arXiv:1406.2646},
year = {2014}
}