非线性降维中的正则化器与损失函数：一种具有新凸松弛的因子化视角
机器学习
2012-07-03 v1 机器学习
摘要
我们证明，几乎所有非参数降维方法都可以通过一个简单的过程来表达：正则化损失最小化加上奇异值截断。通过区分损失和正则化器在此类过程中的作用，我们恢复了一种因子化视角，揭示了当前文献中的一些空白。除了识别出一种用于流形展开的有用新损失函数外，一个关键贡献是推导出了结合距离最大化与秩降低的新凸正则化器。这些正则化器可应用于任何损失函数。
引用
@article{arxiv.1206.6455,
title = {Regularizers versus Losses for Nonlinear Dimensionality Reduction: A Factored View with New Convex Relaxations},
author = {Yaoliang Yu and James Neufeld and Ryan Kiros and Xinhua Zhang and Dale Schuurmans},
journal= {arXiv preprint arXiv:1206.6455},
year = {2012}
}
备注
Appears in Proceedings of the 29th International Conference on Machine Learning (ICML 2012)