Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
Zur Ablage hinzufügen
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  Learning with Non-Positive Kernels

Ong, C., Mary, X., Cnu, S., & Smola, A. (2004). Learning with Non-Positive Kernels. In R. Greiner, & D. Schuurmans (Eds.), ICML '04: Twenty-First International Conference on Machine Learning (pp. 639-646). New York, NY, USA: ACM Press.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/11858/00-001M-0000-0013-D8A7-C Versions-Permalink: https://hdl.handle.net/21.11116/0000-0005-52D0-3
Genre: Konferenzbeitrag

Externe Referenzen

einblenden:
ausblenden:
externe Referenz:
https://dl.acm.org/citation.cfm?doid=1015330.1015443 (Verlagsversion)
Beschreibung:
-
OA-Status:
externe Referenz:
https://www.researchgate.net/publication/221345249_Learning_with_non-positive_kernels (beliebiger Volltext)
Beschreibung:
-
OA-Status:

Urheber

einblenden:
ausblenden:
 Urheber:
Ong, CS1, Autor           
Mary , X, Autor
Cnu, S, Autor
Smola, AJ1, Autor           
Affiliations:
1External Organizations, ou_persistent22              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: n this paper we show that many kernel methods can be adapted to deal with indefinite kernels, that is, kernels which are not positive semidefinite. They do not satisfy Mercer‘s condition and they induce associated functional spaces called Reproducing Kernel Kreicaron;n Spaces (RKKS), a generalization of Reproducing Kernel Hilbert Spaces (RKHS).Machine learning in RKKS shares many "nice" properties of learning in RKHS, such as orthogonality and projection. However, since the kernels are indefinite, we can no longer minimize the loss, instead we stabilize it. We show a general representer theorem for constrained stabilization and prove generalization bounds by computing the Rademacher averages of the kernel class. We list several examples of indefinite kernels and investigate regularization methods to solve spline interpolation. Some preliminary experiments with indefinite kernels for spline smoothing are reported for truncated spectral factorization, Landweber-Fridman iterations, and MR-II.

Details

einblenden:
ausblenden:
Sprache(n):
 Datum: 2004-07
 Publikationsstatus: Erschienen
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: DOI: 10.1145/1015330.1015443
BibTex Citekey: 3416
 Art des Abschluß: -

Veranstaltung

einblenden:
ausblenden:
Titel: Twenty-First International Conference on Machine Learning (ICML 2004)
Veranstaltungsort: Banff, Canada
Start-/Enddatum: 2004-07-04 - 2004-07-08

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: ICML '04: Twenty-First International Conference on Machine Learning
Genre der Quelle: Konferenzband
 Urheber:
Greiner, R, Herausgeber
Schuurmans, D, Herausgeber
Affiliations:
-
Ort, Verlag, Ausgabe: New York, NY, USA : ACM Press
Seiten: - Band / Heft: - Artikelnummer: 81 Start- / Endseite: 639 - 646 Identifikator: ISBN: 1-58113-838-5