科研之友
微信
新浪微博
Facebook
分享链接
摘要
多核学习（MKL）方法在分类及回归任务中均取得了优于单核学习方法的性能。然而，传统的MKL方法均用于处理两类或多类分类问题。为了使MKL方法适用于处理单类分类（OCC）问题，提出了基于中心核对齐的单类支持向量机。首先利用中心核对齐（CKA）计算每个核矩阵权重，然后将所得权重用作线性组合系数，进而将不同类型的核函数加以线性组合构造组合核函数，最后将组合核函数引入到传统单类支持向量机（OCSVM）中代替单个核函数。所提方法既能避免核函数的选取问题，又能提高泛化性能和抗噪声能力。在20个UCI基准数据集上与其他五种相关方法在基准数据集上进行了实验比较，所提算法在13个数据集上的g-mean值均高于其他对比方法，而传统的单核OCSVM仅在2个数据集上的效果较好，局部多核单类支持向量机和基于核目标对齐的OCSVM在5个数据集上的分类效果较好。因此，通过实验比较充分验证了所提方法的有效性。
- 单位
