基于正则化核的一类分类在线学习
机器学习
2018-04-10 v2
摘要
本文提出一种基于正则化核的在线学习一类极限学习机(ELM)分类器，称为在线RK-OC-ELM。基线核超平面模型在单块中考虑全部数据，采用正则化ELM方法进行一类分类(OCC)的离线学习。此外，本文以在线方式根据训练样本流调整基本超平面模型。提出了边界与重构两种框架，用于在线RKOC-ELM中目标类的检测。基于边界框架的一类分类器由单节点输出架构组成，分类器力求将所有数据逼近任意实数。而基于重构框架的一类分类器是一种自动编码器架构，其输出节点与输入节点相同，分类器力求在输出层重构输入层。这两种框架均采用基于正则化核ELM的在线学习，并采用基于一致性的模型选择来选取学习算法参数。在线RK-OC-ELM的性能已在标准基准数据集和人工数据集上评估，结果与现有最先进的(state-of-the-art)一类分类器进行比较。结果表明，该在线学习一类分类器略优于或等同于基于批量学习的方法。由于所提分类器使用的基分类器基于ELM，因此所提分类器也继承了基分类器的优势，即与传统基于自动编码器的一类分类器相比，其计算速度更快。
引用
@article{arxiv.1701.04508,
title = {Online Learning with Regularized Kernel for One-class Classification},
author = {Chandan Gautam and Aruna Tiwari and Sundaram Suresh and Kapil Ahuja},
journal= {arXiv preprint arXiv:1701.04508},
year = {2018}
}
备注
Paper has been submitted to special issue of IEEE Transactions on Systems, Man and Cybernetics: Systems with Manuscript ID: SMCA-16-09-1033, 3rd submission ID: SMCA-18-03-0322