О достижении компромисса между точностью и устойчивостью классификаторов в задаче выбора наилучшей ядровой функции при байесовском обучении

В данной работе показано, что подбор ядровой функции в методе релевантных векторов (RVM) требует расширения семейства классификаторов. В новой модели интегрирование по апостериорной плотности распределения становится вычислительно трудоемким, поэтому используется её точечное оценивание. Предложен метод локальной аппроксимации обоснованности, которая позволяет установить компромисс между точностью классификатора и его устойчивостью.