Zobrazeno 1 - 10
of 82
pro vyhledávání: '"Kaban, Ata"'
Autor:
Palias, Efstratios, Kabán, Ata
Metric learning aims at finding a suitable distance metric over the input space, to improve the performance of distance-based learning algorithms. In high-dimensional settings, it can also serve as dimensionality reduction by imposing a low-rank rest
Externí odkaz:
http://arxiv.org/abs/2309.05751
Autor:
Turner, Andrew J., Kabán, Ata
Approximate learning machines have become popular in the era of small devices, including quantised, factorised, hashed, or otherwise compressed predictors, and the quest to explain and guarantee good generalisation abilities for such methods has just
Externí odkaz:
http://arxiv.org/abs/2203.07989
Autor:
Reeve, Henry W. J., Kaban, Ata
We present a framework for the theoretical analysis of ensembles of low-complexity empirical risk minimisers trained on independent random compressions of high-dimensional data. First we introduce a general distribution-dependent upper-bound on the e
Externí odkaz:
http://arxiv.org/abs/2106.01092
Autor:
Reeve, Henry WJ, Kaban, Ata
We investigate the challenge of multi-output learning, where the goal is to learn a vector-valued function based on a supervised data set. This includes a range of important problems in Machine Learning including multi-target regression, multi-class
Externí odkaz:
http://arxiv.org/abs/2002.09769
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Reeve, Henry W. J., Kaban, Ata
We consider classification in the presence of class-dependent asymmetric label noise with unknown noise probabilities. In this setting, identifiability conditions are known, but additional assumptions were shown to be required for finite sample rates
Externí odkaz:
http://arxiv.org/abs/1906.04542
Autor:
Reeve, Henry W J, Kaban, Ata
We investigate the problem of classification in the presence of unknown class-conditional label noise in which the labels observed by the learner have been corrupted with some unknown class dependent probability. In order to obtain finite sample rate
Externí odkaz:
http://arxiv.org/abs/1902.05627
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Kaban, Ata, Durrant, Robert J.
We prove risk bounds for binary classification in high-dimensional settings when the sample size is allowed to be smaller than the dimensionality of the training set observations. In particular, we prove upper bounds for both 'compressive learning' b
Externí odkaz:
http://arxiv.org/abs/1709.09782
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.