张骁
- 作品数：2 被引量：1H指数：1
- 供职机构：天津大学计算机科学与技术学院更多>>
- 发文基金：国家自然科学基金更多>>
- 相关领域：自动化与计算机技术理学更多>>
- 基于局部后悔的在线核选择被引量：1
- 2019年
- 在线核选择是在线核学习的关键问题.不同于离线核选择,在线核选择需要在保证亚线性收敛率的同时单趟(one-pass)地进行核选择和假设更新,并且现有在线核选择方法的时间复杂度至少是关于回合数平方的,计算效率较低.针对这些问题,该文提出了一种新的基于局部后悔的在线核选择方法.该方法具有亚线性的后悔界和关于回合数对数的时间复杂度.首先,定义了基于局部后悔的核选择准则(LRC),证明该准则是假设序列期望风险的上界.然后,应用相干性来度量新实例与缓冲区中实例的相关性,并结合蓄水池采样来设计缓冲区实例的添加和删除策略.最后,构造LRC的增量更新方法,并应用在线梯度下降方法来更新假设,实现具有亚线性后悔界的在线核选择和在线核学习的高效算法.实验结果表明,该文所提出的在线核选择方法在保证精度的同时可显著提高核选择的计算效率.
- 张骁廖士中
- 关键词：核方法
- 基于多源共享因子的多张量填充
- 2016年
- 张量填充在数据挖掘、机器学习、生物信号处理等领域有着广泛的应用.现有的张量填充方法多在低秩假设的前提下对单独的张量进行填充,然而由于张量数据的复杂结构,张量填充的精度通常较低.为此,研究不同来源多个张量同时填充的方法.首先,利用Tucker分解将多源张量填充问题转换为最小二乘问题.然后,假设不同来源的张量在共享模式上具有共同的信息,为Tucker分解构造共享的因子矩阵集,提取多源张量在共享模式上的共同潜在结构,进而建立基于共享因子的多源张量填充(SF-MTC)方法.最后,利用非线性共轭梯度法和奇异值分解(SVD)快速求解Tucker分解的因子矩阵集及核心张量,完成同时对多个张量的填充,并进一步分析了SF-MTC的计算复杂度.在人工及实际数据集上的实验结果表明,所提出的SF-MTC能提高张量填充的求解效率,并在具有相关性的多源张量数据集上得到更高的填充精度.
- 张骁胡清华廖士中
- 关键词：非线性共轭梯度法奇异值分解
