Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
The Knowledge Increase Estimation Framework for Ontology Integration on the Instance Level Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Ramp Loss Support Vector Data Description

verfasst von : Vo Xuanthanh, Tran Bach, Hoai An Le Thi, Tao Pham Dinh

Erschienen in: Intelligent Information and Database Systems

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Data description is an important problem that has many applications. Despite the great success, the popular support vector data description (SVDD) has problem with generalization and scalability when training data contains a significant amount of outliers. We propose in this paper the so-called ramp loss SVDD then prove its scalability and robustness. For solving the proposed problem, we develop an efficient algorithm based on DC (Difference of Convex functions) programming and DCA (DC Algorithm). Preliminary experiments on both synthetic and real data show the efficiency of our approach.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Spatial Planning as a Hexomino Puzzle
Nächstes Kapitel The Temporal Supplier Evaluation Model Based on Multicriteria Decision Analysis Methods
Fußnoten
Literatur
1.
Azami, M.E., Lartizien, C., Canu, S.: Robust outlier detection with \(L_0\)-SVDD. In: ESANN 2014 Proceedings, European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning, pp. 389–394 (2014)
2.
Collobert, R., Sinz, F., Weston, J., Bottou, L.: Trading convexity for scalability. In: Proceedings of the 23rd International Conference on Machine Learning, pp. 201–208 (2006)
3.
Le Thi, H.A., Phan Dinh, T.: The DC (difference of convex functions) programming and DCA revisited with DC models of real world nonconvex optimization problems. Ann. Oper. Res. 133(1–4), 23–48 (2005)MathSciNetMATH
4.
Lee, K., Kim, D.W., Lee, K.H., Lee, D.: Density-induced support vector data description. IEEE Trans. Neural Netw. 18(1), 284–289 (2007)CrossRef
5.
Liu, B., Xiao, Y., Cao, L., Hao, Z., Deng, F.: SVDD-based outlier detection on uncertain data. Knowl. Inf. Syst. 34(3), 597–618 (2013)CrossRef
6.
Ong, C.S., Le Thi, H.A.: Learning sparse classifiers with difference of convex functions algorithms. Optim. Meth. Softw. 28(4), 830–854 (2013)MathSciNetCrossRefMATH
7.
Phan Dinh, T., Le Thi, H.A.: Convex analysis approach to DC programming: theory, algorithms and applications. Acta Mathematica Vietnamica 22(1), 289–355 (1997)MathSciNetMATH
8.
Phan Dinh, T., Le Thi, H.A.: A DC optimization algorithm for solving the trust-region subproblem. SIAM J. Optim. 8(2), 476–505 (1998)MathSciNetCrossRefMATH
9.
Schölkopf, B., Platt, J.C., Shawe-Taylor, J., Smola, A.J., Williamson, R.C.: Estimating the support of a high-dimensional distribution. Neural Comput. 13, 1443–1471 (2001)CrossRefMATH
10.
Tax, D.M., Duin, R.P.: Support vector data description. Mach. Learn. 54(1), 45–66 (2004)CrossRefMATH
Metadaten
Titel
Ramp Loss Support Vector Data Description
verfasst von
Vo Xuanthanh
Tran Bach
Hoai An Le Thi
Tao Pham Dinh
Copyright-Jahr
2017
Buch
Intelligent Information and Database Systems

Print ISBN: 978-3-319-54471-7

Electronic ISBN: 978-3-319-54472-4

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-54472-4_40

Premium Partner

    Bildnachweise