广义高斯核分类模型

分类精度显著提升

通过两阶段度量学习训练自适应广义高斯核，替代预设核函数，避免了传统核选择的局限性。

王祎丹 · 杨丽明

Engineering Applications of Artificial Intelligence 2025

参数信息

分类准确率提升

5.36 %

技术优势

自适应核

广义高斯核由学习到的度量构建，自动适应数据分布，无需人工选择或调参。

数学理论完备

优化问题具有强对偶性，算法收敛，并给出了泛化误差界与鲁棒性分析，为模型可靠性提供理论保证。

统计检验最优

在统计检验中排名所有方法第一，证明其性能提升具有统计显著性，并非随机波动。

应用场景

• 鲁棒分类：利用鲁棒损失与最大间隔原则训练度量，提升分类器对噪声和异常值的抵抗力。
• 模式识别：自适应核能刻画复杂数据结构，适用于各类模式识别任务中线性不可分问题。
• 光谱分析：实验表明在不同光谱区域上准确率显著提升，可用于光谱数据分类。