Uni-INMKMHKS
介绍
- 内核学习:旨在采用内核功能将原始输入样本映射到内核空间。在这样的内核空间中,即使这些原始输入样本在输入空间中是非线性可分离的,在这里它们也可能是线性可分离的。
- Universum 学习:提出了将关于应用领域的先验知识融入到学习过程中。(IBU - CIBU)
贡献
- 由于我们采用 INMKMHKS 作为基本学习机,因此UniINMKMHKS 继承了 INMKMHKS 的优点。
- 避免了设置过多参数的问题
- 与 NMKMHK 相比,保持了可比的空间和计算复杂度
- 在 Rademacher 复杂度分析方面具有更严格的泛化风险范围
- 具有处理噪声和实际图像的能力
- 多个使用过的 K p K_p Kp 间存在很强的相关性,可以获得更好的识别率,这可以为内核的选择提供指导建议
- 具有更好的识别率
算法步骤
第一步是创建并选择内部 Universum样本,即有用的 Universum 样本。
第二步是生成内核函数。
第三步是将 Universum 学习和生成的内核函数应用于 INMKMHKS。对 UniINMKMHKS 模型进行求解后,可以得到最优参数和更好的学习机。
最后,我们进行了计算和空间复杂度分析