ESTIMATION OF MINIMUM MEASURE SETS IN REPRODUCING KERNEL HILBERT SPACES AND APPLICATIONS.

Manuel Davy 1, 2 Frederic Desobry 3 Stephane Canu 4
1 SEQUEL - Sequential Learning
LIFL - Laboratoire d'Informatique Fondamentale de Lille, Inria Lille - Nord Europe, LAGIS - Laboratoire d'Automatique, Génie Informatique et Signal
2 LAGIS-SI
LAGIS - Laboratoire d'Automatique, Génie Informatique et Signal
Abstract : Minimum measure sets (MMSs) summarize the information of a (single-class) dataset. In many situations, they can be preferred to estimated probability density functions (pdfs): they are strongly related to pdf level sets while being much easier to estimate in large dimensions. The main contribution of this paper is a theoretical connection between MMSs and one class Support Vector Machines. This justifies the use of one-class SVMs in the following applications: novelty detection (we give explicit convergence rate) and change detection.
Type de document :
Communication dans un congrès
IEEE ICASSP 2006, 2006, Toulouse, France. 2006
Liste complète des métadonnées

Littérature citée [12 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/inria-00119999
Contributeur : Manuel Loth <>
Soumis le : mardi 12 décembre 2006 - 17:00:51
Dernière modification le : jeudi 11 janvier 2018 - 06:26:40
Document(s) archivé(s) le : mercredi 7 avril 2010 - 00:28:45

Fichier

Desobry_ICASSP_2006.pdf
Fichiers éditeurs autorisés sur une archive ouverte

Identifiants

  • HAL Id : inria-00119999, version 1

Citation

Manuel Davy, Frederic Desobry, Stephane Canu. ESTIMATION OF MINIMUM MEASURE SETS IN REPRODUCING KERNEL HILBERT SPACES AND APPLICATIONS.. IEEE ICASSP 2006, 2006, Toulouse, France. 2006. 〈inria-00119999〉

Partager

Métriques

Consultations de la notice

230

Téléchargements de fichiers

190