Linear and Quadratic Discriminant Analysis: Tutorial
University of Waterloo(滑铁卢大学)
本教程系统讲解LDA与QDA两种分类方法,涵盖决策边界优化、参数估计、与其他方法的关系及等价性证明,并通过模拟实验阐明理论概念。
2026-09-09 cs.LG stat.ML
PLS Generalized Linear Regression and Kernel Multilogit Algorithm (KMA) for Microarray Data Classification
本文将Bastien等人(2005)提出的偏最小二乘广义线性回归(PLSGLR)与逻辑斯谛回归和线性判别分析相结合,得到偏最小二乘广义线性回归-逻辑斯谛回归模型(PLSGLR-log)和偏最小二乘广义线性回归-线性判别分析模型(PLSGLRDA)。这两种分类方法,然后与经典的方法,如k-近邻(KNN),线性判别分析(LDA),偏最小二乘判别分析(PLSDA),岭偏最小二乘(RPLS),和支持向量机(SVM)进行比较。此外,我们实现了Dalmau等人的核多对数算法(KMA)。(2015)并将其性能与其他分类器进行了比较。结果表明,对于未经预处理和预处理的数据,KMA具有最低的分类错误率。
2019-06-19 stat.CO stat.ME
High-Dimensional Tensor Discriminant Analysis with Incomplete Tensors
University of Notre Dame(圣母大学);New York University(纽约大学)
针对不完整高维张量分类难题,提出基于TGMM的Tensor LDA-MD算法,利用判别张量低秩结构处理缺失数据,建立相关理论界,在模拟与真实数据中表现优异。
2024-10-30 cs.LG stat.ME stat.ML
Diagonal Discriminant Analysis with Feature Selection for High Dimensional Data
University of Sydney(悉尼大学);The University of Melbourne(墨尔本大学)
我们介绍了一种新的方法进行高维判别分析,我们称之为multiDA。我们实现这一点,通过构建一个混合模型,无缝集成了多类对角判别分析模型和特征选择组件。我们的特征选择组件自然简化为权重,权重是似然比统计的简单函数,允许与传统的假设检验方法进行自然比较。我们提供启发式的参数,建议我们的算法的特征选择方面的理想的渐近性质。我们比较了我们的方法与其他几种方法,在预测精度,所选功能的可解释性和算法运行时间方面显示出显着的改进。我们通过在公开的高维数据集上显示出强大的分类性能以及通过多个模拟研究来证明我们模型的这些优势。我们提供了一个R包来实现我们的方法。
2018-07-04 cs.LG stat.ML
High-Dimensional Tensor Classification with CP Low-Rank Discriminant Structure
针对高维张量分类挑战,提出基于线性判别分析并利用CP低秩结构的框架,结合随机复合PCA初始化与迭代投影算法,在互相关噪声下实现全局收敛,并证明了极小化极大最优误分类率。
2024-09-22 stat.ME
Nonparametric Linear Discriminant Analysis for High Dimensional Matrix-Valued Data
Sookmyung Women’s University(淑明女子大学);School of Mathematics, Statistics and Data Science at Sungshin Women’s University(成均馆大学数学、统计与数据科学学院);Research Institute of Natural Science, Sookmyung Women’s University(淑明女子大学自然科学研究院)
本文提出了一种非参数线性判别分析方法,用于高维矩阵值数据的分类,通过非参数最大似然估计提升分类性能。
2025-12-17 stat.AP stat.ME stat.ML
A Direct Estimation Approach to Sparse Linear Discriminant Analysis
本文考虑高维数据的稀疏线性判别分析。与现有的分别估计精度矩阵$Ø$和均值向量差$\de$的方法不同,本文提出了一种简单有效的分类器,通过约束$\ell_1$最小化直接估计乘积$Ø\de$。估计器可以有效地实现使用线性规划和分类器所产生的被称为线性规划判别(LPD)规则。LPD规则具有理想的理论和数值特性。它利用了$Ø\de$的近似稀疏性,因此允许即使当$Ø$和/或$\de$不能被一致地估计时它仍然可以执行良好的情况。研究了LPD规则的渐近性质,并给出了一致性和收敛速度的结果。LPD分类器具有优越的有限样本性能和显着的计算优势,现有的方法,需要单独估计的$Ø$和$\de$。LPD规则也适用于分析肺癌和白血病研究的真实数据集。与现有方法相比,分类器表现良好。
2011-07-18 math.ST stat.ME stat.TH
Sequential Linear Discriminant Analysis in High Dimensions Using Individual Discriminant Functions
在过去的二十年里,高维分类一直受到重视,并且为了规避在高维中遇到的挑战,已经进行了许多研究。虽然现有的方法主要集中在开发分类规则假设独立的协变量或使用正则化的样本协方差阵或样本均值向量或其他,我们提出了一种新的方法,采用"歧视权力"的每个协变量,选择一组重要的变量产生最低的误分类率经验,并构建最佳的线性分类器与选定的变量。我们进行模拟研究和分析真实的数据集,以说明我们提出的分类器的性能与现有的分类器进行比较。
2022-11-15 stat.ME
Matrix Linear Discriminant Analysis
我们提出了一种新的线性判别分析方法的分类高维矩阵值的数据,通常来自成像研究。受传统线性判别分析和普通最小二乘的等价性的启发,我们考虑了一种有效的核范数惩罚回归,它鼓励低秩结构。理论性质,包括一个非渐近的风险界和秩的一致性结果。仿真研究和脑电数据的应用表明,所提出的方法优于现有的方法的性能。
2019-05-03 stat.ME stat.ML
A New Reduced-Rank Linear Discriminant Analysis Method and Its Applications
我们考虑高维数据的多类分类问题。在降秩线性判别分析(LDA)的思想下,我们引入了一种新的具有监督主成分分析(PCA)风格的降维工具。所提出的方法是计算效率高,可以将相关结构之间的功能。除了理论上的见解,我们表明,我们的方法是一个有竞争力的分类工具,模拟和真实数据的例子。
2017-03-25 stat.ME
Varying Coefficient Linear Discriminant Analysis for Dynamic Data
Shanghai Jiao Tong University(上海交通大学)
线性判别分析(LDA)是统计学和机器学习中一种重要的分类工具。本文研究了动态数据的变系数LDA模型,将贝叶斯判别方向作为暴露变量的函数,以解决数据的异质性问题。提出了一种基于B样条逼近的最小二乘估计方法。数据驱动的判别过程比动态线性规划规则\citep{jiang2020dynamic}在计算上更有效。我们还建立了相应的估计误差界和超额误分类风险的收敛速度。$L_2$距离的估计误差对于低维区域是最优的,并且对于高维区域是接近最优的。模拟数据和实际数据的数值实验都证实了我们提出的分类方法的优越性。
2022-10-10 cs.LG stat.ME
Structural Effect and Spectral Enhancement of High-Dimensional Regularized Linear Discriminant Analysis
针对高维RLDA性能受数据结构影响的问题,本文推导误分类率近似并提出SEDA,通过调整协方差尖峰特征值提升分类与降维性能。
2025-07-22 cs.LG math.ST stat.ME
Spatial Sign based Direct Sparse Linear Discriminant Analysis for High Dimensional Data
针对高维数据椭圆分布下的鲁棒LDA问题,提出应对重尾分布的SSLDA方法,证明其在错误分类率和估计误差上达最优收敛率,经模拟与真实数据实验验证,有限样本性能更优且对重尾分布鲁棒性显著。
2025-04-15 stat.ME
Sensible Functional Linear Discriminant Analysis
本文的重点是将Fisher线性判别分析(LDA)扩展到一般$c$类别分类问题的密集记录的功能数据和稀疏观察的纵向数据。我们提出了一种有效的方法来确定最佳的LDA预测,除了管理从这个扩展出现的协方差算子的不可逆性问题。一个条件期望技术来解决的挑战,投影稀疏数据的LDA方向。我们研究了所提出的估计量的渐近性质,并证明了在某些情况下可以实现渐近完美分类。数值例子进一步证明了这种新方法的性能。
2017-09-06 stat.ME
Optimal Discriminant Analysis in High-Dimensional Latent Factor Models
针对高维分类的两步投影流程,本文构建潜变量模型提供理论依据,提出数据驱动选主成分数量的高效分类器,证明其超额风险收敛速率达极小极大最优,且特征维数可超样本量,实验验证了理论与方法的有效性。
2025-08-03 math.ST stat.ME stat.ML
Sparse semiparametric discriminant analysis for high-dimensional zero-inflated data
基于测序的技术提供了大量的高维生物数据集,具有偏斜和零膨胀的测量。由于违反了高斯分布假设,使用线性判别分析对此类数据进行分类会导致性能不佳。为了解决这个问题,我们提出了一个新的半参数判别分析框架的基础上截断的潜在高斯copula模型,同时容纳偏度和零通货膨胀。通过应用稀疏正则化,我们证明了所提出的方法导致一致的估计分类方向在高维设置。在模拟数据上,该方法显示出优于现有方法的性能。我们应用该方法基于微生物组数据区分健康对照与克罗恩病患者,并确定对分类规则影响最大的属。
2022-08-07 stat.ME
High-dimensional Linear Discriminant Analysis: Optimality, Adaptive Algorithm, and Missing Data
本文旨在发展一个高维线性判别分析的最优性理论。提出并分析了一种基于自适应约束$\ell_1$最小化方法的数据驱动的免调整分类规则。极大极小的下界,得到的分类规则是同时率最优的参数空间的集合。此外,我们考虑了在完全随机缺失(MCR)模型下不完全数据的分类问题。引入了一种具有理论保证的自适应分类器,并建立了MCR模型下高维线性鉴别分析的最优收敛速度。对缺失数据的技术分析比对完整数据的技术分析更具挑战性。我们建立了广义样本协方差阵的大偏差结果,作为一个关键的技术工具,可以独立的兴趣。肺癌和白血病研究的应用进行了讨论。
2018-04-09 stat.ME
Optimal feature selection for sparse linear discriminant analysis and its applications in gene expression data
研究了线性鉴别分析(LDA)中特征选择的理论规则,提出了一种新的稀疏线性鉴别分析特征选择方法。使用$l_1$最小化方法来选择将构造LDA的重要特征。本文研究了两阶段LDA(TLDA)的渐近结果,表明TLDA是一种最优分类规则,其收敛速度是现有方法中最好的。在模拟数据集和真实数据集上的实验结果与理论结果一致,表明TLDA与现有方法相比具有良好的性能。总的来说,TLDA使用比其他方法更低的最小特征或基因数量,以实现更好的结果,降低误分类率。
2013-04-22 stat.AP stat.ME
Discriminant Analysis of Distributional Data viaFractional Programming
我们解决了分布数据的分类,其中单元由直方图或区间值变量描述。所提出的方法使用线性判别函数的分布或区间表示的分位数函数,在特定的假设。该判别函数允许以分位数函数的形式定义每个单元的分数,该分位数函数用于使用Mallow距离将单元分类为两个先验组。线性判别方法具有广泛的应用前景。在这项工作中,我们分类的航空公司在纽约机场的基础上,空中时间和到达/出发延误,使用一整年的战斗。
2020-10-14 stat.ME
Multiclass Sparse Discriminant Analysis
近年来,许多稀疏线性判别分析方法被提出用于高维分类和变量选择。然而,大多数这些建议集中在二进制分类,他们不直接适用于多类分类问题。有两种稀疏判别分析方法可以处理多类分类问题,但它们的理论依据仍然未知。在本文中,我们提出了一个新的多类稀疏鉴别分析方法,同时估计所有的鉴别方向。我们表明,当应用到二进制的情况下,我们的建议产生的分类方向,相当于在文献中的两个成功的二进制稀疏LDA方法。一个有效的算法来计算我们的方法与高维数据。变量选择的一致性和收敛速度下建立的三维设置。我们进一步证明了我们的建议优于现有的方法对模拟和真实数据的性能。
2015-04-22 stat.ME
A Spatial-Sign based Direct Approach for High Dimensional Sparse Quadratic Discriminant Analysis
针对高维稀疏二次判别分析问题,提出基于空间符号的SSQDA方法,通过约束凸优化构建,理论上达最优收敛率,模拟与真实数据验证其在重尾分布下的鲁棒高效性,为高维分类提供实用方案。
2025-04-15 stat.ME
A Riemannian Framework for Linear and Quadratic Discriminant Analysis on the Tangent Space of Shapes
University of Southern California, Los Angeles(南加州大学)
本文提出在曲线形状空间切平面上进行线性与二次判别分析的黎曼框架,利用傅里叶基降维特征实现分类,并在合成数据及FAS相关医学形状数据上验证了方法有效性。
2025-11-08 stat.ME
Effect Size Estimation and Misclassification Rate Based Variable Selection in Linear Discriminant Analysis
基于遗传信息(例如基因表达谱)的生物样品的监督分类是生物统计学中的重要问题。为了找到既准确又可解释的分类规则,变量选择是必不可少的。本文探讨了如何评估变量的个体重要性(效应量估计)可以用来执行变量选择。我回顾最近的效果大小估计方法的线性判别分析(LDA)的背景下,提出了一个新的概念简单的效果大小估计方法,这是在同一时间的计算效率。然后,我展示了如何使用效应量来执行基于错误分类率的变量选择,错误分类率是预测误差的数据独立期望。模拟研究和实际数据分析表明,所提出的效应量估计和变量选择方法是有竞争力的。特别是,它们导致紧凑和可解释的功能集。
2012-08-08 stat.ME
Analyse discriminante matricielle descriptive. Application a l'étude de signaux EEG
我们专注于描述性的方法,线性判别分析的矩阵变量数据的二元情况。在行和列变异性的可分性假设下,行和列的最具判别力的线性组合由行和列空间中的类平均值与马氏度量的差的奇异值分解来确定。这种方法提供了二维或三维图中数据的数据表示,并挑选出判别成分。脑电图多传感器信号的应用程序说明了该方法的相关性。
2015-06-09 stat.AP stat.ME
Sparse Functional Linear Discriminant Analysis
函数线性判别分析提供了一种简单而有效的分类方法,有可能实现完美的分类。在文献中提出了几种方法,主要解决问题的维度。另一方面,人们对分析的可解释性越来越感兴趣,这有利于简单和稀疏的解决方案。在这项工作中,我们提出了一种新的方法,采用了一种类型的稀疏性,识别非零子域的功能设置,提供了一个解决方案,更容易解释,而不影响性能。由于需要在解中嵌入额外的约束,我们将泛函线性判别分析重新表述为具有适当惩罚的正则化问题。受$\ell_1$型正则化在标量变量诱导零系数方面的成功启发,我们开发了一种新的用于泛函线性判别分析的正则化方法,该方法结合了$\ell_1$型惩罚$\int |f|$来诱导零区域。我们证明,我们的配方有一个定义良好的解决方案,包含零区域,实现功能的稀疏性域选择的意义。此外,正则化的解决方案的误分类概率收敛到贝叶斯错误,如果数据是高斯。我们的方法不假设基础函数在域中具有零区域,而是产生一个稀疏估计器,该估计器始终估计真实函数,无论后者是否稀疏。与现有方法的数值比较表明,在有限样本的模拟和真实数据的例子,这一属性。
2020-12-11 stat.ME
Sparse Linear Discriminant Analysis for Multi-view Structured Data
同时利用来自多个来源的数据(多视图数据)的优势的分类方法具有巨大的潜力,可以产生比两步方法更强大的发现:关联然后分类。我们提出了两种方法,稀疏综合判别分析(SIDA)和SIDA与网络信息(SIDANet),联合关联和分类研究。该方法考虑多视图数据之间的整体关联,以及在选择关联的鉴别向量时每个视图内的分离,并且最佳地将受试者分离到不同的类别中。SIDANet是第一个将先前的结构信息纳入联合关联和分类研究的方法之一。它使用图的归一化拉普拉斯算子来平滑预测变量的系数,从而鼓励选择连接且行为相似的预测变量。我们证明了我们的方法在一组合成和真实数据集上的有效性。我们的研究结果强调了联合关联和分类方法的好处,如果目标是关联多视图数据并进行分类。
2020-01-15 stat.ME
A Convex Optimization Approach to High-Dimensional Sparse Quadratic Discriminant Analysis
在本文中,我们研究了高维稀疏二次判别分析(QDA),旨在建立分类误差的最佳收敛速度。最小最大下界的建立,以证明必要的结构性假设,如稀疏性条件的鉴别方向和微分图的可能建设一致的高维QDA规则。然后,我们提出了一个分类算法称为SDAR稀疏性假设下使用约束凸优化。极大极小的上界和下界,得到这个分类规则是同时率最优的参数空间的集合,对数因子。仿真研究表明,SDAR性能良好的数值。该算法还说明了通过分析前列腺癌数据和结肠组织数据。在高斯设置的两组高维QDA的方法和理论也扩展到多组分类和高斯copula模型下的分类。
2019-12-05 stat.ME
Sparse Fisher's discriminant analysis with thresholded linear constraints
各种正则化线性判别分析(LDA)方法已被提出来解决的问题,在高维设置的经典方法。当只有两个类时,其中一些方法在高维中已经建立了渐近最优性。证明多类分类的渐近最优性的一个主要困难是分类边界通常很复杂,并且当类别数大于2时,通常不存在分类误差的明确公式。对于Fisher的LDA,一个额外的困难是协方差阵也涉及到线性约束。本文的主要目的是建立渐近一致性和渐近最优性,我们的稀疏Fisher的LDA与阈值的线性约束在高维设置为任意数量的类。为了解决上述第一个困难,我们提供了一个大家庭的线性分类规则与任意数量的类在高维设置的渐近最优性和相应的收敛速度,并将它们应用到我们的方法。为了克服第二个困难,我们提出了一个阈值的方法,以避免估计的协方差阵。我们将该方法应用于多元函数数据的小波变换分类问题。
2015-08-05 stat.ME
Compressive Regularized Discriminant Analysis of High-Dimensional Data with Applications to Microarray Studies
我们提出了一种线性判别分析的修改,称为压缩正则化判别分析(CRDA),用于分析高维数据集。CRDA是专门设计用于特征消除的,可以用作基因芯片研究中的基因选择方法。CRDA借鉴了多测量向量(MMV)模型中的$\ell_{q,1}$范数最小化算法的思想,并利用联合稀疏促进硬阈值进行特征消除。当我们考虑具有挑战性的场景时,也需要正则化样本协方差阵,其中特征(变量)的数量与训练数据集的样本量相当或超过该样本量。模拟研究和四个例子的真实生活中的微阵列数据集评估的性能CRDA分类。总的来说,所提出的方法给出了更少的误分类错误比它的竞争对手,而在同一时间实现准确的特征选择。
2018-04-11 stat.AP stat.ME stat.ML
Variable selection and updating in model-based discriminant analysis for high dimensional data with food authenticity applications
食品真实性研究关注的是确定食品样品是否正确标记。判别分析方法是食品认证方法的一个组成部分。受食品真实性应用的启发,提出了一种包括变量选择的基于模型的判别分析方法。判别分析模型是以半监督的方式使用标记和未标记的数据进行拟合。该方法给出了良好的分类性能的几个高维多类食品真实性数据集的变量比观察。由所提出的方法选择的变量提供关于哪些变量对于分类目的是有意义的信息。一个轻率的变量选择搜索策略被证明是有效的计算方面,并取得了良好的分类性能。在几个食品真实性数据集的应用中,我们提出的方法优于随机森林,AdaBoost,转导SVM和贝叶斯多项式回归的默认实现。
2010-10-07 stat.AP stat.ME
Semiparametric Sparse Discriminant Analysis
近年来,大量的工作致力于推广线性判别分析,以克服其在高维分类方面的不足(Witten & Tibshirani 2011,Cai & Liu 2011,Mai et al. 2012,Fan et al. 2012)。在本文中,我们开发了高维半参数稀疏判别分析(HD-SeSDA),一般正常理论判别分析在两个方面:它放松了高斯假设,可以处理非多项式(NP)维分类问题。如果底层贝叶斯规则是稀疏的,HD-SeSDA可以估计贝叶斯规则和选择的真实特征,同时以压倒性的概率,只要对数的维数增长慢于样本量的立方根。仿真和实际例子被用来证明有限样本性能的HD-SeSDA。在理论的核心是一个新的指数浓度界的半参数高斯copula,这是独立的兴趣。
2015-01-14 stat.ME
Unobserved classes and extra variables in high-dimensional discriminant analysis
在监督分类问题中,测试集可能包含属于学习阶段未观察到的类别的数据点。此外,测试数据中的相同单位可以在关于何时收集学习样本的后续阶段记录的一组附加变量上测量。在这种情况下,在学习阶段构建的分类器需要适应处理潜在的未知类和额外的维度。我们介绍了一种基于模型的判别方法,自适应混合判别分析(D-AMDA),它可以检测未观察到的类,并适应增加的维数。通过基于期望最大化算法的全归纳方法进行模型估计。然后,该方法被嵌入到一个更一般的框架,自适应变量的选择和分类适合于大尺寸的数据。仿真研究和人工实验相关的掺假蜂蜜样本的分类,以验证所提出的框架,以处理复杂的情况下的能力。
2021-02-03 stat.CO stat.ME stat.ML
Transfer Learning for Linear Discriminant Analysis with a Shared Classification Signal
Northeast Normal University(东北师范大学);Zhejiang University of Finance and Economics(浙江财经大学)
研究高维两类分类线性判别分析的迁移学习,将各域均值差异分解,在尖峰协方差模型下推导目标域高斯校准误差极限,量化多种因素对迁移性能的影响,得出最优权重和估计器,还处理了截距偏差问题。
2026-07-09 stat.ME stat.ML
Ultrahigh-dimensional Quadratic Discriminant Analysis Using Random Projections
本文提出将随机投影集成方法应用于二次判别分析,解决超高维分类中维度灾难问题,并在理论上和实验中证明其分类性能与计算效率的优势。
2025-07-09 stat.ME
Quadratic Discriminant Analysis by Projection
提出一种基于投影的二次判别分析方法,通过估计最优一维子空间处理异方差数据,参数数量与LDA相同,比标准QDA更稳定,适用于中等维度数据。
2022-02-17 stat.ME
A New Forward Discriminant Analysis Framework Based On Pillai's Trace and ULDA
针对传统LDA及逐步框架的缺陷,本文提出融合Pillai迹与ULDA的正向判别分析框架,有效控制第一类错误率并提升分类精度,尤其适用于完美组分离场景。
2025-05-23 stat.CO stat.ME stat.ML
Multi-Group Quadratic Discriminant Analysis via Projection
Tsinghua University(清华大学);Colorado State University(科罗拉多州立大学)
本文提出MGQDA方法,通过投影高维数据以实现多组分类,具有非线性和异质性协方差结构的处理能力,并在模拟和基因表达应用中展示了其优越的预测性能。
2026-01-08 stat.ME stat.ML
Multivariate Functional Linear Discriminant Analysis: An Application to Inflammatory Bowel Disease Classification
University of Minnesota Twin Cities(明尼苏达大学双城分校);William & Mary(威廉与玛丽学院)
针对炎症性肠病分类,提出一种多元函数线性判别分析方法,可处理高维稀疏数据,识别随时间变化的判别微生物特征,并揭示维生素B缺乏等潜在临床相关发现。
2025-10-24 stat.AP stat.CO stat.ME
Sparsifying the Fisher Linear Discriminant by Rotation
基于稀疏线性判别分析(LDA)的高维分类技术已经在文献中提出了许多。为了有效地使用它们,线性分类器的稀疏性是一个先决条件。然而,这在许多应用程序中可能并不容易获得,并且需要数据的旋转来创建所需的稀疏性。在本文中,我们提出了一个家庭的旋转创建所需的稀疏性。其基本思想是利用合并样本的样本协方差阵的主成分及其变量来旋转数据,然后应用现有的高维分类器。这种旋转和求解过程可以与任何现有的分类器相结合,并且对真实模型的稀疏程度具有鲁棒性。我们发现,这些旋转确实创造了高维分类所需的稀疏性,并提供了理论上的理解,为什么这样的旋转工程经验。大量的模拟和真实数据的例子证明了所提出的方法的有效性,我们的方法的改进,一些流行的高维分类规则清楚地显示。
2014-08-16 stat.ME
Sparse quadratic classification rules via linear dimension reduction
本文研究了具有不等协方差阵的两组样本之间的高维分类问题。而不是估计完整的二次判别规则,我们建议同时进行变量选择和线性降维的原始数据,随后应用二次判别分析的减少空间。与二次判别分析相比,所提出的框架不需要估计精度矩阵,并且随着测量次数线性扩展,这使得它在高维数据集上的使用特别有吸引力。我们支持的方法与理论保证变量选择的一致性,并与竞争的方法进行实证比较。我们将该方法应用于乳腺癌患者的基因表达数据,并证实了ESR1基因在区分雌激素受体状态中的重要性。
2018-01-16 stat.ME stat.ML
Approximately optimal domain adaptation with Fisher's Linear Discriminant
Microsoft Research(微软研究院);Johns Hopkins University(约翰斯·霍普金斯大学)
本文提出基于 FLD 的源任务平均假设与目标任务假设凸组合模型,推导 0-1 损失下的最优组合及可计算近似,并在 EEG、ECG 分类中验证其有效性。
2024-03-01 cs.LG eess.SP stat.AP