基于张量的非线性分类器用于高阶数据分析
机器学习
2019-02-05 v1 机器学习
摘要
本文提出一种用于高阶数据分类的基于张量的非线性模型。所提方案的优势在于：(i) 显著减少权重参数数量，从而减少所需训练样本数；(ii) 保留输入样本的空间结构。所提模型称为 Rank-1 FNN，基于对前馈神经网络（FNN）的改进，使其权重满足 rank-1 典型分解。我们还引入了一种新的学习算法来训练该模型，并在三阶高光谱数据上评估 Rank-1 FNN。实验结果与比较表明，所提模型优于当前最优分类方法（包括基于深度学习的方法），尤其在可用训练样本数较少的情况下。
引用
@article{arxiv.1802.05981,
title = {Tensor-based Nonlinear Classifier for High-Order Data Analysis},
author = {Konstantinos Makantasis and Anastasios Doulamis and Nikolaos Doulamis and Antonis Nikitakis and Athanasios Voulodimos},
journal= {arXiv preprint arXiv:1802.05981},
year = {2019}
}
备注
To appear in IEEE ICASSP 2018. arXiv admin note: text overlap with arXiv:1709.08164