Newton Method for Minimal Learning Machine
Publiceringsår
2022
Upphovspersoner
Hämäläinen, Joonas; Kärkkäinen, Tommi
Abstrakt
Minimal Learning Machine (MLM) is a distance-based supervised machine learning method for classification and regression problems. Its main advances are simple formulation and fast learning. Computing the MLM prediction in regression requires a solution to the optimization problem, which is determined by the input and output distance matrix mappings. In this paper, we propose to use the Newton method for solving this optimization problem in multi-output regression and compare the performance of this algorithm with the most popular Levenberg–Marquardt method. According to our knowledge, MLM has not been previously studied in the context of multi-output regression in the literature. In addition, we propose new initialization methods to speed up the local search of the second-order methods.
Visa merOrganisationer och upphovspersoner
Publikationstyp
Publikationsform
Artikel
Moderpublikationens typ
Samlingsverk
Artikelstyp
Annan artikel
Målgrupp
VetenskapligKollegialt utvärderad
Kollegialt utvärderadUKM:s publikationstyp
A3 Del av bok eller annat samlingsverkPublikationskanalens uppgifter
Moderpublikationens namn
Moderpublikationens redaktörer
Tuovinen, Tero T.; Periaux, Jacques; Neittaanmäki, Pekka
Förläggare
Sidor
97-108
ISSN
ISBN
Publikationsforum
Publikationsforumsnivå
2
Öppen tillgång
Öppen tillgänglighet i förläggarens tjänst
Nej
Parallellsparad
Ja
Övriga uppgifter
Vetenskapsområden
Matematik; Data- och informationsvetenskap
Nyckelord
[object Object],[object Object],[object Object]
Publiceringsland
Schweiz
Förlagets internationalitet
Internationell
Språk
engelska
Internationell sampublikation
Nej
Sampublikation med ett företag
Nej
DOI
10.1007/978-3-030-70787-3_7
Publikationen ingår i undervisnings- och kulturministeriets datainsamling
Ja