南京航空航天大学k8凯发集团主页平台管理系统 陈松灿-k8凯发集团

k8凯发集团
陈松灿
  • 招生学科专业：
    计算机科学与技术 -- 【招收博士、硕士研究生】 -- 计算机科学与技术学院
    软件工程 -- 【招收博士、硕士研究生】 -- 计算机科学与技术学院
    网络空间安全 -- 【招收硕士研究生】 -- 计算机科学与技术学院
    电子信息 -- 【招收博士、硕士研究生】 -- 计算机科学与技术学院
  • 学位：工学博士学位
  • 职称：教授
  • 所在单位：计算机科学与技术学院/人工智能学院/软件学院
电子邮箱：
所在单位：计算机科学与技术学院/人工智能学院/软件学院
学历：南京航空航天大学
毕业院校：杭州大学/上海交通大学/南京航空航天大学

当前位置: 中文k8凯发集团主页 >> 科学研究 >> 论文成果
标题：
metric learning-guided least squares classifier learning
点击次数：
所属单位：
计算机科学与技术学院/人工智能学院/软件学院
发表刊物：
ieee trans. neural networks learn. sys.
摘要：
for a multicategory classification problem, discriminative least squares regression (dlsr) explicitly introduces an ϵ-dragging technique to enlarge the margin between the categories, yielding superior classification performance from a margin perspective. in this brief, we reconsider this classification problem from a metric learning perspective and propose a framework of metric learning-guided least squares classifier (mlg-lsc) learning. the core idea is to learn a unified metric matrix for the error of lsr, such that such a metric matrix can yield small distances for the same category, while large ones for the different categories. as opposed to the ϵ-dragging in dlsr, we call this the error-dragging (e-dragging). different from dlsr and its related variants, our mlg-lsc implicitly carries out the e-dragging and can naturally reflect the roughly relative distance relationships among the categories from a metric learning perspective. furthermore, our optimization objective functions are strictly (geodesically) convex and thus can obtain their corresponding closed-form solutions, resulting in higher computational performance. experimental results on a set of benchmark data sets indicate the validity of our learning framework. © 2012 ieee.
issn号：
2162-237x
是否译文：
否
发表时间：
2018-12-01
合写作者：
geng, chuanxing
通讯作者：
陈松灿
发表时间：
2018-12-01
扫一扫用手机查看

k8凯发集团的版权所有©2018- 南京航空航天大学·信息化处（信息化技术中心）
最后更新时间：..     访问量：
网站地图