通过数据打结的近似消失理想
摘要：消失理想是一组在给定数据点上取零值的多项式集合。最初在计算机代数中提出的消失理想已经在许多应用中被利用来提取数据的非线性结构。为了避免对噪声数据过拟合，多项式通常被设计为在指定数据上近似等于零，而不是完全等于零。尽管这种近似在实证中表现出高性能，但消失理想的声音代数结构丧失了。本文提出了一种对噪声数据容忍并具有更好代数结构的消失理想。作为一个新问题，我们同时找到一组多项式和数据点，使得多项式在输入数据点上近似消失，并在发现的数据点上几乎完全消失。在实验分类测试中，我们的方法发现的多项式数量和阶数比现有的最先进方法要少得多。因此，我们的方法加快了分类任务的运行时间，同时不降低分类准确性。
作者：Hiroshi Kera and Yoshihiko Hasegawa
论文ID：1801.09367
分类：Machine Learning
分类简称：stat.ML
提交时间：2018-01-30