Unsupervised non-parametric kernel learning algorithm

A foundational problem in kernel-based learning is how to design suitable kernels. Non-Parametric Kernel Learning (NPKL) is one of the most important kernel learning methods. However, most research on NPKL has tended to focus on the semi-supervised scenario. In this paper, we propose a novel unsuper...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Knowledge-based systems Ročník 44; s. 1 - 9
Hlavní autoři:	Liu, Bing, Xia, Shi-Xiong, Zhou, Yong
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Elsevier B.V 01.05.2013
Témata:	Algorithms Clustering Data Exact solutions Kernels Knowledge base Learning Least squares method Machine learning Manifold regularized least-squares Mathematical analysis Maximum margin clustering (MMC) Multiple kernel learning Non-parametric kernel learning Sparse eigen-decomposition Spectra Multiple kernel learning Manifold regularized least-squares Maximum margin clustering (MMC) Non-parametric kernel learning Sparse eigen-decomposition
ISSN:	0950-7051, 1872-7409
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!