We propose a novel kernel regressio

We propose a novel kernel regression algorithm which
takes into account order preferences on unlabeled data.
Such preferences have the form that point x1 has a
larger target value than that of x2, although the target
values for x1, x2 are unknown. The order preferences
can be viewed as side information or a form
of weak labels, and our algorithm can be related to
semi-supervised learning. Learning consists of formulating
the order preferences as additional regularization
in a risk minimization framework. We define a linear
program to effectively solve the optimization problem.
Experiments on benchmark datasets, sentiment analysis,
and housing price problems show that the proposed
algorithm outperforms standard regression, even when
the order preferences are noisy.

ผลลัพธ์ (ไทย) 1:

เรานำเสนอขั้นตอนวิธีเคอร์เนลนวนิยายถดถอยซึ่ง
จะเข้าสู่การตั้งค่าบัญชีเพื่ออยู่กับข้อมูลที่ไม่มีป้ายกำกับ.
การตั้งค่าดังกล่าวมีรูปแบบที่จุด x1 มีค่าเป้าหมาย
ขนาดใหญ่กว่า x2 แม้ว่าเป้าหมายค่า
สำหรับ x1, x2 ไม่เป็นที่รู้จัก การตั้งค่าคำสั่ง
สามารถมองได้ว่าข้อมูลด้านหรือ
รูปแบบของป้ายที่อ่อนแอและอัลกอริทึมของเราสามารถที่เกี่ยวข้องกับการเรียนรู้
กึ่งภายใต้การดูแลการเรียนรู้ประกอบด้วยการกำหนดค่า

ตามคำสั่ง regularization เพิ่มเติมในกรอบการลดความเสี่ยง เรากำหนดโปรแกรม
เชิงเส้นได้อย่างมีประสิทธิภาพแก้ปัญหาการเพิ่มประสิทธิภาพ.
ทดลองในชุดข้อมูลมาตรฐานการวิเคราะห์ความเชื่อมั่น
และปัญหาราคาที่อยู่อาศัยที่แสดงให้เห็นว่าอัลกอริทึมที่นำเสนอมีประสิทธิภาพดีกว่า
ถดถอยมาตรฐานแม้ในขณะที่การตั้งค่า
เพื่อที่มีเสียงดัง.

ผลลัพธ์ (ไทย) 2:

เราเสนอขั้นตอนวิธีการถดถอยของเคอร์เนลนวนิยายซึ่ง
จะเข้าบัญชีสั่งค่าในข้อมูลไม่
ลักษณะดังกล่าวมีรูปแบบที่มีจุด x 1 ตัว
เป้าหมายใหญ่มูลค่ากว่า x 2 แม้ว่าเป้าหมาย
ค่า x 1, x 2 จะไม่รู้จัก ตั้งค่าใบสั่ง
สามารถใช้เป็นข้อมูลด้านหรือแบบ
ป้ายชื่ออ่อน และอัลกอริทึมของเราสามารถเกี่ยวข้องกับ
แบบมีผู้กึ่งสอนเรียนรู้ได้ เรียนรู้ประกอบด้วย formulating
ลักษณะสั่งเป็น regularization เพิ่มเติม
ในกรอบการลดความเสี่ยง เรากำหนดเป็นเส้น
โปรแกรมเพื่อแก้ปัญหาปรับตัวอย่างมีประสิทธิภาพ
ทดลองบน datasets มาตรฐาน การวิเคราะห์ความเชื่อมั่น,
และราคาที่อยู่อาศัยปัญหาแสดงว่านำเสนอ
อัลกอริทึม outperforms ถดถอยมาตรฐาน แม้
ลักษณะสั่งได้คะ.

ผลลัพธ์ (ไทย) 3:

เราเสนออัลกอริธึม( Log เคอร์เนลใหม่ซึ่ง
ซึ่งจะช่วยนำไปสู่การตั้งค่าแอคเคาท์การสั่งซื้อในข้อมูลไม่.
การกำหนดลักษณะเช่นว่านั้นมีรูปแบบที่จุด x 1 มีมูลค่าเป้าหมาย
มีขนาดใหญ่กว่า x 2 ซึ่งแม้ว่าเป้าหมาย
ซึ่งจะช่วยค่าสำหรับ x 1 x 2 จะมีที่ไม่รู้จัก ตั้งค่าการสั่งซื้อ
ซึ่งจะช่วยให้สามารถดูได้เป็นข้อมูลด้านข้างหรือรูปแบบที่
ซึ่งจะช่วยการติดฉลากไม่รัดกุมและอัลกอริธึมของเราสามารถที่จะเกี่ยวข้องกับการเรียนการสอนแบบกึ่ง
มีการตรวจสอบการเรียนรู้ประกอบด้วย
ซึ่งจะช่วยในการกำหนดการตั้งค่าการสั่งซื้อเป็นเปลี่ยน สถานภาพ เพิ่มเติม
ซึ่งจะช่วยลดปริมาณขยะการลดความเสี่ยงในกรอบที่ เรากำหนดตามแนวยาว
โปรแกรมที่จะแก้ปัญหาได้อย่างมี ประสิทธิภาพ ที่ปรับแต่งได้
การทดลองใน datasets การวัด ประสิทธิภาพ การวิเคราะห์ความรู้สึก
และปัญหาราคาที่อยู่อาศัยแสดงให้เห็นว่าที่เสนอ
อัลกอริธึมที่มีมาตรฐาน( Log แม้เมื่อการตั้งค่าการสั่งซื้อ
ซึ่งจะช่วยให้มีเสียง.