NIPSOct, 2018
运用多核函数的显式特征图进行贪心逼近的学习界限
Learning Bounds for Greedy Approximation with Explicit Feature Maps from Multiple Kernels
Shahin Shahrampour, Vahid Tarokh
TL;DR本篇研究针对非线性内核的风险最小化问题，采用有限维特征映射方法来解决映射空间维数与逼近精度之间的折中关系，并提出了一种基于相关性度量的贪心特征选择方法，其结果可以通过一个样本外误差界来描述，从而更好地平衡了逼近误差和谱误差之间的关系，并且当最优模型的谱误差足够小时，只需要较小数量的显式特征即可控制测试误差。