發(fā)布時間：2018-05-11 21:18

  本文選題：幾何平均 + 多核學習　； 參考：《軟件學報》2017年11期

【摘要】：在機器學習和模式識別任務中,選擇一種合適的距離度量方法是至關重要的.度量學習主要利用判別性信息學習一個馬氏距離或相似性度量.然而,大多數現有的度量學習方法都是針對數值型數據的,對于一些有結構的數據(比如符號型數據),用傳統(tǒng)的距離度量來度量兩個對象之間的相似性是不合理的;其次,大多數度量學習方法會受到維度的困擾,高維度使得訓練時間長,模型的可擴展性差.提出了一種基于幾何平均的混雜數據度量學習方法.采用不同的核函數將數值型數據和符號型數據分別映射到可再生核希爾伯特空間,從而避免了特征的高維度帶來的負面影響.同時,提出了一個基于幾何平均的多核度量學習模型,將混雜數據的度量學習問題轉化為求黎曼流形上兩個點的中心點問題.在UCI數據集上的實驗結果表明,針對混雜數據的多核度量學習方法與現有的度量學習方法相比,在準確性方面展現出更優(yōu)異的性能.
[Abstract]:In the task of machine learning and pattern recognition, it is very important to choose a suitable distance measurement method. Metric learning mainly uses discriminant information to learn a Markov distance or similarity measure. However, most of the existing metric learning methods are for numerical data. For some structured data, such as symbolic data, it is unreasonable to measure the similarity between two objects by traditional distance measurement. Most metric learning methods are troubled by the dimension, the high dimension makes the training time long, and the scalability of the model is poor. A hybrid data metric learning method based on geometric averaging is proposed. Different kernel functions are used to map numerical data and symbolic data to Hilbert space of reproducing kernel respectively, thus avoiding the negative effects of the high dimension of features. At the same time, a multi-kernel metric learning model based on geometric averaging is proposed, which transforms the metric learning problem of hybrid data into the center point problem of two points on Riemannian manifold. The experimental results on the UCI dataset show that the multi-core metric learning method for hybrid data shows better performance in accuracy than the existing metric learning methods.
【作者單位】： 天津大學計算機科學與技術學院;
【分類號】：TP181

【相似文獻】

相關會議論文 前3條

1 田建艷;武增懿;韓肖清;;徑向基函數神經網絡學習算法的改進[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

2 周斌;;內燃機排放神經網絡模型學習樣本的確定[A];加入WTO和中國科技與可持續(xù)發(fā)展——挑戰(zhàn)與機遇、責任和對策（上冊）[C];2002年

3 文博武;胡壽松;;基于再勵學習的殲擊機安全著陸橫側向協(xié)調控制[A];2005全國自動化新技術學術交流會論文集（二）[C];2005年

相關碩士學位論文 前2條

1 趙杉杉;深度學習驅動的場景分析和語義目標解析[D];浙江大學;2017年

2 惠寅華;基于同倫的學習算法研究[D];蘇州大學;2013年

，

本文編號：1875658