OCKELM+：基于核极限学习机的利用特权信息的一类分类（或 KOC+：基于零偏置核岭回归或最小二乘 SVM 的利用特权信息的一类分类）
机器学习
2019-04-18 v1 机器学习
摘要
基于核方法的一类分类器主要用于离群点或新颖性检测。在本文中，基于核岭回归（KRR）的一类分类器（KOC）已被扩展为利用特权信息（LUPI）进行学习。基于 LUPI 的 KOC 方法被称为 KOC+。该特权信息作为数据集的一个特征提供，但仅用于训练（不用于测试）。KOC+ 通过所谓的校正函数以不同于普通特征信息的方式利用特权信息。特权信息帮助 KOC+ 获得更好的泛化性能，本文通过对带与不带特权信息的分类器进行测试展示了这一点。现有与所提出的分类器在来自 UCI 机器学习库的数据集以及 MNIST 数据集上进行了评估。此外，实验结果证明了 KOC+ 相对于 KOC 与基于支持向量机（SVM）的一类分类器的优势。
引用
@article{arxiv.1904.08338,
title = {OCKELM+: Kernel Extreme Learning Machine based One-class Classification using Privileged Information (or KOC+: Kernel Ridge Regression or Least Square SVM with zero bias based One-class Classification using Privileged Information)},
author = {Chandan Gautam and Aruna Tiwari and M. Tanveer},
journal= {arXiv preprint arXiv:1904.08338},
year = {2019}
}