||
Chengjun Liu;
Pattern Analysis and Machine Intelligence, IEEE Transactions on
Volume: 29 , Issue: 6
Digital Object Identifier: 10.1109/TPAMI.2007.1063
Publication Year: 2007 , Page(s): 1086 - 1090
IEEE Journals
Abstract | Full Text: PDF (699 KB)
以前的介绍: http://www.sciencenet.cn/m/user_content.aspx?id=309901
================================================================
首先,WHITENED COSINE SIMILARITY MEASURE是啥?
然后,贝叶斯规则如何华丽变身为WHITENED COSINE SIMILARITY MEASURE的:
1.PRM WHITENED COSINE (PWC) SIMILARITY MEASURE
华丽变身的过程中,有个地方不好,作者提出了怀疑:
啊!原来是这里假设所有类的方差一样,把类别的信息给丢了!
咋办呢?作者出来个主意:把方差矩阵分解到特征值给替换掉,让它包含类别信息:
叫做PRM WHITENED COSINE (PWC) SIMILARITY MEASURE。
2.THE WITHIN-CLASS WHITENED COSINE (WWC) SIMILARITY MEASURE
光把特征值换掉,作者还嫌不过瘾,直接把方差矩阵换掉算了:把方差换成所有类内离散度(方差)的均值,于是得到了一种新的相思性测度。
本文的启发:
1.从改变方差矩阵的角度来想,的确可以把本文的相思测度,跟其他的分析方法(Kernel Entopy Component Analysis)结合起来;
2.从简化计算的角度来想,可以把Fast Similarity Learning的方法用到这上面,反正也是基于Mahalanobis distance measure的方法。
3.核方法,注意,以上两个拓展的可能,都加入了核的内容。
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-3-29 23:51
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社