重叠覆盖局部回归机
机器学习
2017-01-06 v1 计算机视觉与模式识别
摘要
我们提出了核机器的重叠域覆盖（Overlapping Domain Cover, ODC）概念，即一组覆盖整个训练集的数据重叠子集，并经过优化使其在空间上尽可能内聚。我们展示了该概念如何在最小化预测误差的同时，提升局部核回归机的速度。我们提出了一个高效的 ODC 框架，适用于各种回归模型，特别是将 Twin Gaussian Processes (TGP) 回归的复杂度从三次方降低到二次方。我们的概念也适用于多种核方法（如 Gaussian Process Regression (GPR) 和 IWTGP 回归，如我们的实验所示）。我们还在理论上证明了通过重叠覆盖改进局部预测的方法思想。我们在三个基准人体姿态估计数据集上验证并分析了我们的方法，并讨论了有趣的发现。
引用
@article{arxiv.1701.01218,
title = {Overlapping Cover Local Regression Machines},
author = {Mohamed Elhoseiny and Ahmed Elgammal},
journal= {arXiv preprint arXiv:1701.01218},
year = {2017}
}
备注
Long Article with more experiments and analysis of conference paper "Overlapping Domain Cover for Scalable and Accurate Regression Kernel Machines", presented orally 2015 at the British Machine Vision Conference 2015 (BMVC)