用于分类的神经邻域编码
机器学习
2020-08-21 v1 机器学习
摘要
受果蝇嗅觉回路启发，Fly Bloom Filter [Dasgupta et al., 2018] 能够单次高效总结数据，并已被用于新颖性检测。我们提出了一种新的分类器（用于二分类和多类分类），它通过每个类别的 Fly Bloom Filter 有效编码每一类的不同局部邻域。对测试数据的推断需要先执行高效的 {\tt FlyHash} [Dasgupta, et al., 2017] 操作，然后与每类 Bloom Filter 进行高维但稀疏的点积。学习过程可平凡地并行化。在理论方面，我们建立了这样的条件：在这些条件下，我们提出的分类器对任意测试样本的预测以高概率与最近邻分类器的预测一致。我们在超过 个具有不同数据维度的数据集上广泛评估了我们所提出的方案，以证明这种受神经科学启发的分类器的预测性能可与最近邻分类器及其他单次分类器相竞争。
引用
@article{arxiv.2008.08685,
title = {Neural Neighborhood Encoding for Classification},
author = {Kaushik Sinha and Parikshit Ram},
journal= {arXiv preprint arXiv:2008.08685},
year = {2020}
}