用于提升核机器训练与执行速度的缩减集核主成分分析
机器学习
2015-07-28 v1 机器学习
摘要
本文提出了一种实用且理论基础完善的方案，以提升依赖谱分解的核流形学习算法的速度。利用核平滑与积分算子学习的最新见解，我们提出了缩减集核主成分分析（RSKPCA），该方案还提供了一种易于实现的方法，能够在对经验算子影响最小的情况下移除或替换样本。我们给出了一个简单的数据点选择程序来生成数据的替代密度，其精度由用户可调参数 控制。在谱误差和算子误差方面，近似对 KPCA 解质量的影响可以直接用密度估计误差和参数 的函数来表示。我们在实验中表明，RSKPCA 可以将 KPCA 的训练和评估时间提升多达一个数量级，并且与广泛使用的 Nystrom 和密度加权 Nystrom 方法相比表现更优。
引用
@article{arxiv.1507.07260,
title = {Reduced-Set Kernel Principal Components Analysis for Improving the Training and Execution Speed of Kernel Machines},
author = {Hassan A. Kingravi and Patricio A. Vela and Alexandar Gray},
journal= {arXiv preprint arXiv:1507.07260},
year = {2015}
}