l317820483的博客

Abstract本文提出了一种学习算法的通用内核化框架；通过两个阶段实现，即先通过核主成分分析（KPCA）处理数据，然后直接用转换后的数据执行学习算法；本文会介绍这个核心框架，并证明了在一些条件下，这个框架下的内核化等同于传统的内核方法。实际上，大多数学习算法通常都满足这些温和的条件；因此，大多数学习算法都可以在此框架下进行内核化，而无需重新构造为内积形式——传统内核方法中常见且至关重...

Abstract特征选择在机器学习中非常重要，尤其是在生物信息学任务中。本文提出一种新的鲁棒特征选择方法，这一方法核心在于在损失函数核正则化项中联合使用21范数。基于21范数的损失函数对于数据点中的异常值具有较好的鲁棒性，而基于21范数的正则化项则可以选择所有数据点稀疏的特征。本文证明了算法的收敛性。同时通过实验结果证明了方法的性能。Introduction一般来说，特征选择有...