向量值再生核希尔伯特空间与普适性
探讨了两个再生核希尔伯特空间的包含关系以及它们的特征映射,给出了广泛使用的平移不变再生核之间的包含关系表,介绍了 Hilbert-Schmidt 再生核的具体例子,讨论了再生核的各种操作下这种关系的保留,并简要讨论了具有范数等价的特殊包含关系。
Jun, 2011
本文介绍了如何在函数数据上使用再生核希尔伯特空间理论进行有监督学习和回归,扩展了基于核的学习的概念和性质,包括估计函数值函数的算法,阐述了一套严格定义的无限维算子值核,以及非线性函数数据分析的学习算法,并通过语音和音频信号处理实验进行了说明。
Oct, 2015
在这项工作中,我们研究了再生核希尔伯特空间中的 Lipschitz 和 Hölder 连续性,并提供了多个充分条件以及对诱导规定的 Lipschitz 或 Hölder 连续性的再生核的深入研究。除了新结果外,我们还收集了相关的已知结果,使得本研究也成为这一主题的方便参考。
Oct, 2023
本文研究重现核巴拿赫空间的建构,提出广义 Mercer 核来构建 p - 范数的 RKBS,导出支持向量机在 p - 范数的 RKBS 中的等效有限维最优化解,并说明某些特殊情况下的支持向量机等价于经典稀疏回归问题,为后续研究稀疏学习方法提供基础支持。
Dec, 2014
本文研究基于最近引入的不变理论 I 理论的随机特征映射。我们通过组变换的累积分布得到了一组不变的信号标记。本文将不变特征学习与内核方法相结合,并表明该特征映射定义了一个预期的 Haar 积分内核,对指定的组操作具有不变性。此外,本文还分析了此非线性随机特征映射如何在 N 个点上均匀近似组不变内核,并证明了它在等价的不变再生核希尔伯特空间中定义了一个密集的函数空间。最后,我们量化了在经典监督学习环境中使用这种不变信号表示进行信号分类的经验风险最小化的收敛误差率以及样本复杂度的降低。
Jun, 2015
本文提出一种基于泛函分析的、统一且独立于构造方式的 RKBS 定义和重现核,通过连续的双线性形式和特征映射的配对实现了各种既有 RKBS 构造的统一,并提出了一类新的 Orlicz RKBS,最后在所提出的框架中发展 RKBS 的机器学习表示定理,该定理也统一了现有 RKBS 中的表示定理。
Jan, 2019
统计学习中的各种方法建立在再生核 Hilbert 空间中的核上。在应用中,核通常根据问题和数据的特征进行选择,然后用于在未观察到解释性数据的点处推断响应变量。本文考虑了在高维紧致集合中定位的数据,并且对核本身的近似进行了讨论。新的方法考虑了径向核函数的 Taylor 级数近似。对于单位立方上的 Gauss 核,本文建立了关联特征值的上限,该特征仅在指数方面呈多项式增长。新方法证实了比文献中考虑的较小正则化参数,从而导致更好的近似。该改进证实了像 Nyström 方法这样的低秩近似方法。
Mar, 2024
探讨了正定核及其相关重现核希尔伯特空间的逼近性质,包括核算子和矩阵的特征值衰减、特征函数 / 特征向量的性质、核空间中函数的 “傅里叶” 系数以及核的拟合能力等,并给出了限制在离散数据点上的重现核希尔伯特空间球体的胖打散维度的明确界限,讨论了正定核的容量限制及其对梯度下降等算法的影响。
Jan, 2018