基于核均值 p 幂误差损失的鲁棒学习
机器学习
2016-12-22 v1 机器学习
摘要
相关熵是核空间中的二阶统计度量，已成功应用于鲁棒学习和信号处理。本文中，我们定义了一种核空间中的非二阶统计度量，称为核均值 p 幂误差（KMPE），其包含相关熵损失（CLoss）作为特例。给出了 KMPE 的一些基本性质。特别地，我们将 KMPE 应用于极限学习机（ELM）和主成分分析（PCA），并开发了两种鲁棒学习算法，即 ELM-KMPE 和 PCA-KMPE。在合成和基准数据上的实验结果表明，与一些现有方法相比，所开发的算法能取得持续更好的性能。
引用
@article{arxiv.1612.07019,
title = {Robust Learning with Kernel Mean p-Power Error Loss},
author = {Badong Chen and Lei Xing and Xin Wang and Jing Qin and Nanning Zheng},
journal= {arXiv preprint arXiv:1612.07019},
year = {2016}
}
备注
11 pages, 7 figures, 10 tables