基于最大相关熵准则的鲁棒度量学习算法

• 作者: 尹东 谢林江
• 来源期刊: 计算机系统应用
• 关键词: 度量学习 噪声 最大相关熵准则 高斯核函数 鲁棒
• 年，卷（期）: 2018,（10）
• 所属期刊栏目: 软件技术·算法
• 页码范围: 146-153
• 页数: 8页
• 字数: 7374字
• 语种: 中文
• DOI: 10.15888/j.cnki.csa.006550

摘要

度量亦称距离函数,是度量空间中满足特定条件的特殊函数,一般用来反映数据间存在的一些重要距离关系.而距离对于各种分类聚类问题影响很大,因此度量学习对于这类机器学习问题有重要影响.受到现实存在的各种噪声影响,已有的各种度量学习算法在处理各种分类问题时,往往出现分类准确率较低以及分类准确率波动大的问题.针对该问题,本文提出一种基于最大相关熵准则的鲁棒度量学习算法.最大相关熵准则的核心在于高斯核函数,本文将其引入到度量学习中,通过构建以高斯核函数为核心的损失函数,利用梯度下降法进行优化,反复测试调整参数,最后得到输出的度量矩阵.通过这样的方法学习到的度量矩阵将有更好的鲁棒性,在处理受噪声影响的各种分类问题时,将有效地提高分类准确率.本文将在一些常用机器学习数据集(UCI)还有人脸数据集上进行验证实验.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	尹东	中国科学技术大学信息科学技术学院	59	588	15.0	22.0
2	谢林江	中国科学技术大学信息科学技术学院	1	3	1.0	1.0