Regularization schemes for minimum error entropy principle
Regularization schemes for minimum error entropy principle
复制标题
DOI：
10.1142/s0219530514500110
复制
发表时间：
2015-04
影响因子：
2.2
通讯作者：
Ting Hu;Jun Fan;Qiang Wu;Ding-Xuan Zhou
中科院分区：
文献类型：
--
作者：
Ting Hu;Jun Fan;Qiang Wu;Ding-Xuan Zhou
我们介绍了一个学习算法产生的回归最小误差熵（ESTA）的原则和再生核希尔伯特空间中的正则化计划。这种经验的递归算法是高度相关的缩放参数所产生的Parzen窗口。本文的目的是进行一致性分析时的尺度参数是大的。提供了明确的学习率。提出了新的方法，以克服困难，在边界的输出函数一致，并在特殊的非线性特征，回归函数可能不是一个最小的误差熵。
We introduce a learning algorithm for regression generated by a minimum error entropy (MEE) principle and regularization schemes in reproducing kernel Hilbert spaces. This empirical MEE algorithm is highly related to a scaling parameter arising from Parzen windowing. The purpose of this paper is to carry out consistency analysis when the scaling parameter is large. Explicit learning rates are provided. Novel approaches are proposed to overcome the difficulties in bounding the output function uniformly and in the special MEE feature that the regression function may not be a minimizer of the error entropy.