范畴表示机器学习算法

摘要：

长期以来,人们认为表示问题是机器学习领域的瓶颈问题之一.机器学习方法的性能在很大程度上依赖于数据表示的选择.数据表示领域的主要问题是如何更好地学习到有意义和有用的数据表示.宽泛来看数据表示领域有深度学习、特征学习、度量学习、成分建模、结构化预测和强化学习等.这些技术应用的范围也非常广泛,包括图像、语音识别和文字理解等.因此,研究机器学习表示方法是一件长期且具有探索意义的工作.基于此,利用范畴理论来研究机器学习方法的表示,提出了范畴表示机器学习方法的基本概念.对决策树、支持向量机、深度神经网络等方法进行研究分析,提出了范畴表示分类算法、范畴表示决策树算法、切片范畴表示主成分分析和支持向量机算法、范畴函子表示深度学习方法,给出相应的理论证明及可行性分析.并对这5种算法做了深入分析,找到了主成分分析和支持向量机之间的本质联系,最后通过仿真实验论证范畴表示方法的可行性.

关键词：范畴表示、机器学习、机器学习表示、范畴表示学习、范畴表示学习算法

所属期刊栏目：54

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金项目61373093,61402310,61672364,61672365;苏州大学东吴学者计划项目;江苏省普通高校研究生科研创新计划项目;the National Natural Science Foundation of China61373093,61402310,61672364,61672365;the Soochow Scholar Program of Soochow University,and the Graduate Innovation and Practice Program of Colleges and Universities in Jiangsu Province

在线出版日期：2018-01-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：2567-2575