Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
  Healing the Relevance Vector Machine through Augmentation

Rasmussen, C., & Candela, J. (2005). Healing the Relevance Vector Machine through Augmentation. In S. Dzeroski, L. de Raedt, & S. Wrobel (Eds.), ICML '05: 22nd international conference on Machine learning (pp. 689-696). New York, NY, USA: ACM Press.

Item is

Dateien

einblenden: Dateien
ausblenden: Dateien
:
pdf3460.pdf (beliebiger Volltext), 380KB
Name:
pdf3460.pdf
Beschreibung:
-
OA-Status:
Sichtbarkeit:
Öffentlich
MIME-Typ / Prüfsumme:
application/pdf / [MD5]
Technische Metadaten:
Copyright Datum:
-
Copyright Info:
-
Lizenz:
-

Externe Referenzen

einblenden:
ausblenden:
externe Referenz:
https://dl.acm.org/citation.cfm?doid=1102351.1102438 (Verlagsversion)
Beschreibung:
-
OA-Status:

Urheber

einblenden:
ausblenden:
 Urheber:
Rasmussen, CE1, 2, Autor           
Candela, JQ3, Autor           
Affiliations:
1Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497795              
2Max Planck Institute for Biological Cybernetics, Max Planck Society, Spemannstrasse 38, 72076 Tübingen, DE, ou_1497794              
3Friedrich Miescher Laboratory, Max Planck Society, Max-Planck-Ring 9, 72076 Tübingen, DE, ou_2575692              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: The Relevance Vector Machine (RVM) is a sparse approximate Bayesian
kernel method. It provides full predictive distributions for test
cases. However, the predictive uncertainties have the unintuitive
property, that emphthey get smaller the further you move away from the
training cases. We give a thorough analysis. Inspired by the analogy to
non-degenerate Gaussian Processes, we suggest augmentation to solve the
problem. The purpose of the resulting model, RVM*, is primarily to
corroborate the theoretical and experimental analysis. Although RVM*
could be used in practical applications, it is no longer a truly sparse
model. Experiments show that sparsity comes at the expense of worse
predictive distributions.

Details

einblenden:
ausblenden:
Sprache(n):
 Datum: 2005-08
 Publikationsstatus: Erschienen
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: BibTex Citekey: 3460
DOI: 10.1145/1102351.1102438
 Art des Abschluß: -

Veranstaltung

einblenden:
ausblenden:
Titel: 22nd International Conference on Machine Learning (ICML 2005)
Veranstaltungsort: Bonn, Germany
Start-/Enddatum: 2005-08-07 - 2005-08-11

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: ICML '05: 22nd international conference on Machine learning
Genre der Quelle: Konferenzband
 Urheber:
Dzeroski, S, Herausgeber
de Raedt, L, Herausgeber
Wrobel, S, Herausgeber
Affiliations:
-
Ort, Verlag, Ausgabe: New York, NY, USA : ACM Press
Seiten: - Band / Heft: - Artikelnummer: - Start- / Endseite: 689 - 696 Identifikator: ISBN: 1-59593-180-5