向量值函数的核函数:一篇综述
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
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
研究正定核的两种广泛使用的方法之间的差距,即贝叶斯学习或使用高斯过程进行推理和基于再生核希尔伯特空间的频率核方法,参考新旧结果和概念并比较算法数量和哲学理论差异。
Jul, 2018
应用广义高斯径向基函数(RBF)在机器学习算法中的性能优于其他函数,通过对比高斯 RBF 核函数、Sigmoid 函数和 ReLU 函数,本文展示了广义高斯 RBF 在核函数中的应用及其在核回归、支持向量机(SVM)和模式识别中的成果。
Dec, 2023
研究了在上下文词分类中使用内核函数代替内积函数的效果,通过在标准的语言建模和机器翻译任务上进行实验,探讨了不同内核设置对性能的影响,并研究了梯度属性、混合策略和消歧能力。
Oct, 2019
本文提出了一种基于函数内核的学习方法(FKL),通过将高斯过程置于谱密度上,直接推断出内核的功能后验分布,从而能够支持任何平稳内核,具有对内核值的不确定性,以及直接对内核的先验规范,而不需要复杂的初始化或人为干预。我们通过椭圆切片采样进行推断,这对于较强相关性先验的函数空间建模尤其适用。我们将我们的方法应用于非均匀、大规模、多任务和多维数据,并在插值、外推和内核恢复实验中展现了良好的性能。
Oct, 2019
该论文提出了一种基于核函数的机器学习算法,可以通过对数据集的分组进行处理,采用独立同分布的样本集作为数据点,利用非参数估计器提取核函数特征从而实现多种分类、回归和异常检测等任务。
Feb, 2012
机器学习中一个核心主题是从稀疏和嘈杂的数据中进行函数估计。本文研究了内核岭回归,并推导了在非平稳分布下的收敛条件,同时解决了可能无限次发生的随机调适情况,包括重要的探索 - 开发问题。
Oct, 2023