通过几何变换为kNN和SVM实现非线性度量学习
机器学习
2015-08-10 v1 计算机视觉与模式识别
摘要
近年来，将线性度量学习模型扩展到处理非线性结构的研究努力引起了极大的兴趣。在本文中，我们提出了一种新颖的非线性解决方案，通过利用可变形几何模型来学习空间变化的度量，并将该策略应用于提升kNN和SVM分类器的性能。薄板样条（TPS）因其在考虑高阶变形方面的卓越多功能性和表示能力而被选作几何模型。通过TPS变换输入空间，我们可以在kNN中将同类邻居拉近，同时将异类点推远，并使输入数据点在SVM中更具线性可分性。在合成数据集和真实世界数据集上的实验证明了kNN分类性能的提升，并与几种最先进的度量学习解决方案进行了比较。我们基于SVM的模型在相同数据集上也取得了相对于传统线性和核SVM的显著改进。
引用
@article{arxiv.1508.01534,
title = {Nonlinear Metric Learning for kNN and SVMs through Geometric Transformations},
author = {Bibo Shi and Jundong Liu},
journal= {arXiv preprint arXiv:1508.01534},
year = {2015}
}