• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Machine Vision, 2009. ICMV '09 >Optimizing Kernel Functions Using Transfer Learning from Unlabeled Data
【24h】

Optimizing Kernel Functions Using Transfer Learning from Unlabeled Data

机译：使用来自未标记数据的转移学习来优化内核功能

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In this paper, we propose an approach to learn the kernel which uses transferred knowledge from unlabeled data to cope with situations where training examples are scarce. In our approach, unlabeled data has been used to construct an optimized kernel that better generalizes on the target dataset. For the proposed kernel learning algorithm, Fisher Discriminant Analysis (FDA) is used in conjunction with Maximum Mean Discrepancy (MMD) test of statistics to optimize a base kernel using labeled and unlabeled data. Thereafter, the constructed kernel from both labeled and unlabeled datasets is used in SVM to evaluate the results which proved to increase prediction accuracy.
机译：在本文中，我们提出了一种学习内核的方法，该方法使用从未标记的数据中转移来的知识来应对培训实例匮乏的情况。在我们的方法中，未标记的数据已用于构建优化的内核，以更好地概括目标数据集。对于建议的内核学习算法，将Fisher判别分析（FDA）与统计数据的最大平均差异（MMD）测试结合使用，以使用标记和未标记的数据优化基本内核。此后，在SVM中使用从标记和未标记的数据集构建的内核来评估结果，事实证明可以提高预测精度。

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