鲁棒单类核谱回归
机器学习
2019-02-07 v1 机器学习
摘要
核零空间技术及其基于回归的表述（称为单类核谱回归，即 OC-KSR）是一种已知有效且计算友好的单类分类框架。尽管性能出色，核零空间方法的适用性受其易受热训练数据污染影响以及无法按样本与模型的一致性对训练观测排序的限制。本工作通过在其基于回归的表述（OC-KSR）中研究正则化核零空间 Fisher 方法解的影响来解决这些缺陷。为此，首先分析了 Hilbert 空间中 Tikhonov 正则化的影响，将在训练集存在污染时的单类学习问题表述为敏感性分析问题。接着，受稀疏表示方法的成功驱动，研究了稀疏正则化对解的影响。针对两种正则化方案均提出了迭代算法，递归更新标签置信度并依据与模型的拟合度对训练观测排序。通过在多个数据集上的大量实验，所提方法相比基线核零空间技术以及单类分类范式下其他现有方法增强了对训练集污染的鲁棒性，同时提供了有效排序训练样本的功能。
引用
@article{arxiv.1902.02208,
title = {Robust One-Class Kernel Spectral Regression},
author = {Shervin Rahimzadeh Arashloo and Josef Kittler},
journal= {arXiv preprint arXiv:1902.02208},
year = {2019}
}