Self-paced learning(SPL)
其中,lamda代表学习的年龄也就是迭代的次数,omiga代表决策函数中的参数,L代表损失函数,v代表是否选择此样本,f代表自步正则项
自步正则项的定义:
1.自步正则项必须是凸的
2.v随着损失是递减的,正好验证了损失越小越可能被选择
3.v随着lamda是递增的,当然就是年龄也就是迭代的次数越大,其越可能被学习啊,反正就年龄越大学习的越多。
(在所有论文中,大概所有函数都是抽象的,建模型一般是先脱离数学,再回到数学妈妈的怀抱,也就是模型中只有一个函数的外壳。在模型中需要一个什么样的函数呢,是递减还是递增的,是凸函数还是凹函数呢,把这些都确定了,具体用到什么函数就不说了,反正性质都差不多,具体哪个也说不好)
一些典型的正则化项,分别分hard、linear&mixture
流形正则化中,就是通过流形正则化项来达到结合有监督和无监督样本来找出分布特征的目的