Robust non-convex least squares loss function for regression with outliers
Robust non-convex least squares loss function for regression with outliers
复制标题
用于异常值回归的鲁棒非凸最小二乘损失函数
DOI：
10.1016/j.knosys.2014.08.003
复制
发表时间：
2014-11
期刊：
影响因子：
--
通讯作者：
Zhong Ping
中科院分区：
文献类型：
--
作者：
Wang Kuaini;Zhong Ping
本文提出了一种鲁棒的最小二乘支持向量回归（LS-SVR）方法，称为RLS-SVR。该方法采用非凸的最小二乘损失函数，克服了LS-SVR对异常值敏感的局限性。非凸损失对于任何大的离群值给出恒定的惩罚。所提出的损失函数可以用一个凸函数的差来表示。由此产生的优化是DC程序。它可以通过使用凹凸过程（CCCP）来解决。RLS-SVR通过一次求解一组线性方程组来迭代地构建回归函数。所提出的RLS-SVR包括经典的LS-SVR作为其特殊情况。在人工数据集和基准数据集上的数值实验证实了该算法的有效性。
In this paper, we propose a robust scheme for least squares support vector regression (LS-SVR), termed as RLS-SVR, which employs non-convex least squares loss function to overcome the limitation of LS-SVR that it is sensitive to outliers. Non-convex loss gives a constant penalty for any large outliers. The proposed loss function can be expressed by a difference of convex functions (DC). The resultant optimization is a DC program. It can be solved by utilizing the Concave–Convex Procedure (CCCP). RLS-SVR iteratively builds the regression function by solving a set of linear equations at one time. The proposed RLS-SVR includes the classical LS-SVR as its special case. Numerical experiments on both artificial datasets and benchmark datasets confirm the promising results of the proposed algorithm.
登录
查看更多内容
DOI：
10.1145/2598394.2605342
发表时间：
2014-07
期刊：
Proceedings of the Companion Publication of the 2014 Annual Conference on Genetic and Evolutionary Computation
影响因子：
--
作者：
A. Engelbrecht
通讯作者：
A. Engelbrecht
DOI：
10.1016/b978-0-12-409547-2.14581-0
发表时间：
2020
期刊：
Comprehensive Chemometrics
影响因子：
--
作者：
Federico Marini;Beata Walczak
通讯作者：
Federico Marini;Beata Walczak
DOI：
10.1017/cbo9780511801389.013
发表时间：
2000-03
期刊：
--
影响因子：
--
作者：
N. Cristianini;J. Shawe-Taylor
通讯作者：
N. Cristianini;J. Shawe-Taylor
DOI：
10.1201/9780429422614-20
发表时间：
2018-10
期刊：
Swarm Intelligence Algorithms
影响因子：
--
作者：
Adam Slowik
通讯作者：
Adam Slowik
DOI：
--
发表时间：
2006-12
期刊：
J. Mach. Learn. Res.
影响因子：
--
作者：
R. Collobert;Fabian H Sinz;J. Weston;L. Bottou
通讯作者：
R. Collobert;Fabian H Sinz;J. Weston;L. Bottou