• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>International Conference on Machine Learning; 20040704-08; Banff(CA) >Bayesian Inference for Transductive Learning of Kernel Matrix Using the Tanner-Wong Data Augmentation Algorithm
【24h】

Bayesian Inference for Transductive Learning of Kernel Matrix Using the Tanner-Wong Data Augmentation Algorithm

机译：基于Tanner-Wong数据增强算法的贝叶斯推理用于内核矩阵的转导学习

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In kernel methods, an interesting recent development seeks to learn a good kernel from empirical data automatically. In this paper, by regarding the transductive learning of the kernel matrix as a missing data problem, we propose a Bayesian hierarchical model for the problem and devise the Tanner-Wong data augmentation algorithm for making inference on the model. The Tanner-Wong algorithm is closely related to Gibbs sampling, and it also bears a strong resemblance to the expectation-maximization (EM) algorithm. For an efficient implementation, we propose a simplified Bayesian hierarchical model and the corresponding Tanner-Wong algorithm. We express the relationship between the kernel on the input space and the kernel on the output space as a symmetric-definite generalized eigenproblem. Based on this eigenproblem, an efficient approach to choosing the base kernel matrices is presented. The effectiveness of our Bayesian model with the Tanner-Wong algorithm is demonstrated through some classification experiments showing promising results.
机译：在内核方法中，一个有趣的最新进展试图从经验数据中自动学习一个好的内核。在本文中，通过将核矩阵的转导学习视为一个丢失的数据问题，我们提出了针对该问题的贝叶斯层次模型，并设计了Tanner-Wong数据增强算法对该模型进行推理。 Tanner-Wong算法与Gibbs采样密切相关，并且与期望最大化（EM）算法非常相似。为了实现高效，我们提出了一种简化的贝叶斯分层模型和相应的Tanner-Wong算法。我们将输入空间上的核与输出空间上的核之间的关系表示为对称定的广义特征问题。基于该特征问题，提出了一种选择基本核矩阵的有效方法。通过一些分类实验显示了有希望的结果，证明了使用Tanner-Wong算法的贝叶斯模型的有效性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号