...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Knowledge and Data Engineering, IEEE Transactions on >Max-Margin Discriminant Projection via Data Augmentation
【24h】

Max-Margin Discriminant Projection via Data Augmentation

机译：通过数据增强的最大余量判别投影

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 this paper, we introduce a new max-margin discriminant projection method, which takes advantage of the latent variable representation for support vector machine (SVM) as the classification criterion. Specifically, the proposed model jointly learns the discriminative subspace and classifier in a Bayesian framework by conditioning on augmented variables. Moreover, an extended nonlinear model is developed based on the kernel trick, where the similar model can be used in this setting with few modifications. To explore the sparsity in the kernel expansion, we use the spike-and-slab prior to seek basis vectors (BVs) from the corresponding candidates. Unlike existing methods, which employ BVs to approximate the original feature space, in our method BVs are sought to associate the final classification task. Thanks to the conditionally conjugate property, the parameters in our models can be inferred via the simple and efficient Gibbs sampler. Finally, we test our methods on synthesized and real-world data, including large-scale data sets to demonstrate their efficiency and effectiveness.
机译：在本文中，我们介绍了一种新的最大边距判别投影方法，该方法利用支持向量机（SVM）的潜在变量表示作为分类标准。具体而言，所提出的模型通过以增值变量为条件，共同学习贝叶斯框架中的判别子空间和分类器。此外，基于内核技巧开发了扩展的非线性模型，其中类似的模型可以在不做任何修改的情况下用于此设置。为了探究内核扩展中的稀疏性，我们先使用尖峰-阶跃来从相应的候选对象中寻找基向量（BV）。与采用BV近似原始特征空间的现有方法不同，在我们的方法中，BV寻求与最终分类任务相关联。由于有条件的共轭特性，我们模型中的参数可以通过简单高效的Gibbs采样器进行推断。最后，我们在合成和真实数据（包括大规模数据集）上测试我们的方法，以证明其效率和有效性。

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