本文研究了分布回归问题,提出了一种基于再生核希尔伯特空间的简单分析计算的岭回归方法,证明了该方法在两阶段抽样设置下是一致的,并且该估算器能够达到一阶段最小化最优速率。
Nov, 2014
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
该论文介绍了一种解决分布回归问题的非线性方法,它考虑了再生核希尔伯特空间中的分布嵌入,并在其中执行标准的最小二乘回归。 该方法可用于不同维数和样本大小的多源数据,并通过随机傅里叶特征介绍了高效版本来处理数百万个数据点和组。
Dec, 2020
本文研究了实值回归分布问题,提出了一种双基估计器,旨在缓解大数据问题,具有独立于实例数量的计算复杂度和一般映射的快速收敛率。
Nov, 2013
通过分析一类正则化 Bregman 散度的密度比率估计方法,我们得出新的有限样本误差界,并提出一种 Lepskii 类的参数选择原则,在不知道密度比率的规则性的情况下最小化误差界。在二次损失的特殊情况下,我们的方法能够自适应地达到极小极大误差率。
Jul, 2023
使用分布式学习和最小二乘正则化方案,在再生核希尔伯特空间(RKHS)中对分块数据子集应用最小二乘正则化方案生成输出函数,以其平均值作为全局估计器或预测器,具有良好的 $L^2$ 度量和 RKHS 度量误差界限。在我们的积分算子方法中,通过运算符差分的新型二阶分解实现了分析,即使对于与一般核相关联的 RKHS 中的经典最小二乘正则化方案,我们也可以在文献中给出最佳的学习速率。
Aug, 2016
该文介绍了一种基于希尔伯特空间嵌入的分布表征方法,该方法利用再生核希尔伯特空间将分布映射到一个空间中,并扩展了一般支持向量机和其他核方法的整个内核方法库,为概率测量、统计推断、因果发现和深度学习等领域提供了广泛应用,并讨论了该方法的理论保证,应用和未来的研究方向。
May, 2016
研究如何通过随机样品学习一组数据,通过再生核希尔伯特空间理论中的概念分析数据集的几何和拓扑属性,并证明了分离核的重要性,从而推导出一系列稳定性良好的正则化学习算法,此方法比其他现有技术更具竞争力。
Apr, 2012
研究了使用一种新的预测算法在无需假设标签与对象的生成方式的条件下,对已知标签对象的实时预测问题,通过比较此算法与一定范围内的预测规则,证明了此算法的误差率在极限范围下可达到最佳状态,可用于无参统计学的普适预测。
Nov, 2005
通过全连接神经网络 (FNN) 建立分布回归的逼近理论和学习理论,针对概率测度作为输入变量的分布回归问题,建立了一种创新的神经网络框架,实现了定义在 Borel 概率测度空间上的泛函逼近理论,并通过两阶段误差分解技术推导了几乎最优的学习速率。