Kernel selection
Feature lie on Riemannian manifold with known geometry.
现在很多学习算法(如:判别式分析、partial least squares、和SVM)不直接应用这些特征,因为这些特征处在非欧式空间中。
所以就面对这kernel选择的问题~
这篇paper就是通过kernel learning的方法来选择合适的kernel~
利用最佳化的问题,来综合考虑kernel学习和分类器。
例如,SVM分类器,用凸优化的方法来学习kernel-classifier。
实验:图像集和动作识别
现利用流行特征分类的普遍做法是:首先把流形映射到欧式空间,然后再新的空间中学习分类器。但是对应的切空间只是流形的局部结构,所以只是局部最优化~
这篇paper是,把流形映射到一个新的kernel Kilbert 空间中。
黎曼流行上的特征,为了学习一个好的kernel-classifier,有以下两个标准:
1)风险函数 (最小化)
2)mapping应该保留潜在的流行结构~