70个数据集实测：新算法把分类准确率从65%拉到75%！
Curvature-Aware Radius Shrinkage for Adaptive Nearest Neighbor Classification
📖 AI 总结
该研究提出了一种名为CARSANN的自适应最近邻分类框架，针对传统k-NN方法在特征空间中使用固定邻域基数、忽视局部几何差异的问题。该方法首先利用TwoNN估计内在维度，并通过主成分分析构建内在表示，随后基于形状算子估计局部平均曲率，以此控制邻域空间范围——高曲率区域收缩半径，平坦区域保持较大支持范围。在70多个OpenML真实数据集上的实验显示，CARSANN显著优于标准k-NN，并在45个数据集中的40个上取得更高平衡准确率，平均从0.6506提升至0.7528。Friedman和Nemenyi检验确认改进具有统计显著性。研究表明，局部流形曲率可作为有效的几何控制变量，为基于基数的邻域自适应方法提供了补充思路。
🔑 关键词速览
| Curvature-Aware Radius Shrinkage | 一种根据局部曲率调整邻域半径的几何自适应方法，高曲率区域收缩半径，平坦区域保持较大半径。 |
| Adaptive Nearest Neighbor Classification | 一种改进的最近邻分类方法，根据数据局部几何特性动态调整邻域参数（如大小或形状）。 |
| Intrinsic Dimensionality | 数据在低维流形上嵌入时的真实维度，区别于原始特征空间的维度。 |
| Shape Operator | 微分几何中用于描述曲面局部弯曲程度的算子，其主曲率用于计算平均曲率。 |
| TwoNN | 一种基于最近邻距离比估计数据内在维度的算法。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅