内容

Kai Ming Ting教授:隔离核及其对支持向量机的影响

阅读数:327    发布:2018-08-31 15:01    

题目:隔离核及其对支持向量机的影响

时间:2018年8月31日(星期五)11:00-12:00am


简介:Kai Ming Ting,在悉尼大学获得博士学位后,他曾在怀卡托大学、迪金大学和莫纳什大学工作。他自2014加入澳大利亚联邦大学。此前,他曾在大阪大学、南京大学和中国香港大学担任访问职位。他目前的研究兴趣是海量估计、基于海量或依赖于数据的相似性、异常检测、集成方法、数据流、数据挖掘和机器学习等领域。他曾担任第十二届太平洋-亚洲知识发现和数据挖掘会议(PAKDD-2008)项目委员会联合主席。他是许多国际会议的项目委员会成员,包括ACM SIGKDD知识发现和数据挖掘国际会议和机器学习国际会议。他获得了澳大利亚研究理事会、美国空军科学研究(AFOSR/AOARD)、丰田信息技术中心和澳大利亚体育研究所的研究资助。所获奖项包括2008年IEEE ICDM(隔离林)亚军最佳论文奖和2006年PAKDD最佳论文奖。他是隔离技术、基于质量的相似性和隔离内核的创造者。

摘要:本报告的数据依赖于内核直接来自数据工作。数据依赖内核是近二十年来的一个突出问题,它阻碍了基于内核方法的发展。我们引入了孤立核,它完全依赖于数据分布,既不需要类信息,也不需要显式学习。相反,现有的依赖于数据的内核严重依赖于类信息和显式学习。结果表明,在均匀密度分布下,孤立核能很好地逼近数据无关的拉普拉斯核函数。有了这个启示,隔离内核可以被看作是一个数据依赖内核,它使数据独立内核适应数据集的结构。我们还给出了为什么所提出的新的数据相关核使得SVM(通过其他方法使用核)能够提高其预测精度的原因。


深圳大学计算机与软件学院 2009-2016