单类受限核机器
机器学习
2025-02-18 v1
摘要
受限核机器（RKMs）在机器学习领域已显著提升了泛化能力。近期研究引入了 various 方法 within the RKM 框架，将核函数与最小二乘支持向量机（LSSVM）结合，类似于受限玻尔兹曼机（RBM）的能量函数，从而实现更佳性能。然而，受限核机器的有效性可能因数据集中存在的离群点和其他形式的污染而受到 compromise。这些异常现象会扭曲学习过程，导致结果不够准确可靠。为解决此关键问题并确保模型的鲁棒性，我们提出了 novel 的单类受限核机器（OCRKM）。在 OCRKM 框架中，我们采用类似于 RBM 的能量函数，将 visible 和 hidden 变量在非概率设置下集成。所提出的 OCRKM 表述使得单类分类方法能够无缝集成到 RKM 中，增强其检测离群点和异常的能力。对所提出的 OCRKM 模型在 UCI 基准数据集上进行评估。实验发现和统计分析始终强调，所提出的 OCRKM 模型在所有情景下均优于基线模型。
引用
@article{arxiv.2502.10443,
title = {One Class Restricted Kernel Machines},
author = {A. Quadir and M. Sajid and M. Tanveer},
journal= {arXiv preprint arXiv:2502.10443},
year = {2025}
}