.png){kind=icon}
返回
Multi-view data-driven ensemble kernel ridge regression via multi-kernel optimization
.png){kind=icon}
PRE
AI
DOI：10.1007/s11042-026-21811-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
核岭回归（E-KRR）是一种广泛用于非线性关系建模的方法，但其常受限于手动核选择和对参数设置的敏感性。这些问题可能导致泛化能力差及不同数据集上性能不稳定。本文提出一种改进方法——集成核岭回归（E-KRR），通过引入多视角学习来克服这些限制。我们首先将数据建模为多视角，并将传统岭回归扩展至该场景。随后，这些视角被映射到不同再生核希尔伯特空间（RKHS）中的多个核表示。E-KRR能自动从数据中学习核及其权重的最优组合，避免手动核调优。在16个数据集上的实验结果表明，E-KRR持续优于多种最先进方法。在回归任务中，其均方误差（MSE）最低可降低11.4%，并在图像数据集上将分类准确率提升2.8–4.3%，在表格数据集上提升1.1–9.3%，证实了其鲁棒性和有效性。
Keyword:
Multi-view learning
Ensemble kernel ridge regression
Multi-kernel optimization
Nonlinear regression
Robust prediction
Reproducing kernel Hilbert space
期刊
IF:
3
论文数:
1.9W
被引数:
3.2W
机构
引用论文
A Deep Learning Ensemble for Network Anomaly and Cyber-Attack Detection用于网络异常和网络攻击检测的深度学习集成.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Empirical Analysis of Machine Learning and Stacking Ensemble Methods for Heart Disease Detection机器学习与堆叠集成方法在心脏病检测中的实证分析
PREAI
分享收藏分享收藏A novel hybrid ensemble framework for stock price prediction: combining bagging, boosting, dagging, and stacking一种用于股票价格预测的新型混合集成框架：结合bagging、boosting、dagging和stacking
IF0
PREAI
分享收藏A Survey of Ensemble Learning: Concepts, Algorithms, Applications, and Prospects集成学习综述: 概念、算法、应用与展望IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容