具有低秩不定核的概率分类器
机器学习
2016-04-11 v1
摘要
不定相似度度量在生物信息学中通过比对分数频繁出现，但在其他领域如图像检索中的形状度量也很常见。缺乏底层向量空间，数据仅以成对相似度给出。针对此类数据的少数算法无法扩展到较大数据集。聚焦于概率批量分类器，不定核Fisher判别（iKFD）和概率分类向量机（PCVM）都是对此类数据有效的算法，但具有立方复杂度。这里我们提出iKFD和PCVM的扩展，使得对于低秩不定核可实现线性运行时间和内存复杂度。采用不定核的Nyström近似，我们还提出一种新的几乎无参数的方法来识别标志点，限于监督学习问题。在来自不同领域的几个较大相似度数据上的评估表明，所提方法提供了类似的泛化能力，同时更易于参数化且对大规模数据显著更快。
引用
@article{arxiv.1604.02264,
title = {Probabilistic classifiers with low rank indefinite kernels},
author = {Frank-Michael Schleif and Andrej Gisbrecht and Peter Tino},
journal= {arXiv preprint arXiv:1604.02264},
year = {2016}
}