机器学习几乎存在于日常生活的每个方面。大量的数据是需要的,但对于特定的问题却并不总是可用的,这就排除了诸如深度学习和卷积神经网络等先进方法的使用。欧几里得网络(EN)可以用来缓解这些问题。EN被彻底测试,以证明其作为分类算法的可行性,以及其方法可用于增强数据和转换输入数据以增加其特征空间维度。最初,人们假设EN可以用来合成数据以增加数据集,尽管这种方法被证明是无效的。下一个研究领域试图扩大输入特征空间的维度,以提高额外分类器的性能。这一领域显示了积极的结果,这支持了更复杂、更密集的输入将使算法对数据有更多的洞察力并提高性能的假设。人们发现EN作为一个独立的分类器表现特别好,因为它在21个数据集中的12个取得了最高的准确性。对于剩下的9个,虽然它没有最高的准确率,但EN的表现与更复杂的算法相当。事实证明,EN还能够扩大数据集的特征空间,以进一步提高性能。这种策略提供了一种更稳健的分类技术,并在所有数据集之间看到了平均3%的准确性。

成为VIP会员查看完整内容
23

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
《探索具有对抗性混合的神经网络防御》2023最新79页论文
【Google-CMU】元伪标签的元学习,Meta Pseudo Labels
专知会员服务
31+阅读 · 2020年3月30日
训练数据多少才够用
专知
16+阅读 · 2019年5月4日
深度 | 迁移学习全面概述:从基本概念到相关研究
七月在线实验室
15+阅读 · 2017年8月15日
国家自然科学基金
11+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
157+阅读 · 2023年4月20日
Arxiv
13+阅读 · 2021年5月25日
已删除
Arxiv
32+阅读 · 2020年3月23日
Arxiv
136+阅读 · 2018年10月8日
Arxiv
22+阅读 · 2018年2月14日
VIP会员
相关基金
国家自然科学基金
11+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员