张量代数提供了一种针对任意长度序列的相似性度量中最强大的一种方法，即具有概率分析中有吸引力的理论保证的签名核，本研究针对这严重的计算瓶颈，提出了一种在序列的非欧几里得领域上进行签名核加速的基于随机傅里叶特征的方法，并且证明了所提出无偏估计器的均匀逼近保证，同时保持其在序列长度和数量上的计算为线性，此外，结合张量投影的最新进展，我们得到了两个更可扩展的时间序列特征，具有有利的集中性质和在时间和内存上的计算复杂度，实证结果表明，计算成本的降低在中等规模数据集上几乎没有影响准确性，并且使得我们能够处理高达一百万种时间序列的大型数据集。

Nov, 2023

随机特征逼近是加速大规模算法中核方法的最流行技术之一，并提供了对深度神经网络分析的理论方法。我们分析了与随机特征相结合的一大类谱正则化方法的泛化性质，包括梯度下降等具有隐式正则化的核方法或 Tikhonov 正则化等明确方法。对于我们的估计器，我们在适当的源条件下定义的规则性类别（甚至包括不在再生核希尔伯特空间中的类别）上获得了最佳学习速率。这改进或完善了先前在特定核算法相关设置中获得的结果。

Aug, 2023

本文提出一种基于 Fourier 分析的方法，用于训练翻译不变或旋转不变的核，并通过一种在线平衡找到动态算法来解释我们的算法，并在合成和现实世界数据集上进行评估，证明了扩展性和与相关随机特征方法相比的一致改进。

Oct, 2017

本文介绍了核方法在机器学习问题中的应用，提到了采用随机傅里叶特征解决大规模数据集问题的方法，并给出了更好的误差界限及嵌入方式的理解、近似误差、在某些机器学习方法中的使用，同时指出了该特征的两种变体中，更常用的一种在高斯核中具有严格更高的方差且具有更糟糕的界限的令人惊讶的事实。

Jun, 2015

本篇论文系统地回顾了过去十年中随机特征方面的研究进展，包括算法特点、理论结果、基准测试数据集上的表现、分类预测性能等，并探讨了随机特征与深度神经网络之间的关系，有望成为感兴趣的从业者应用代表性算法和理解理论结果的用户指南，并为这个领域的未来研究方向提供一些启示。

Apr, 2020

本文运用随机矩阵理论诱导的 “浓度” 现象对这些随机特征图 Gram 矩阵的谱分析，为更深入地理解非线性和数据统计学的相互作用提供了基础，从而实现了更好的随机特征技术调优。

May, 2018

本文提出了一种将大规模非度量差异矩阵转换为近似正半定核矩阵的有效而准确的技术，该技术结合了 Nystroem 逼近、潜在双中心化和特征值修正，并在几个大规模差异数据集上进行了实验。

Nov, 2014

通过正交随机特征来近似普遍的高斯核，本研究分析了基于正交随机特征的核逼近的偏差和方差，并通过使用归一化贝塞尔函数推导出了明确的表达式，并提供了支持正交随机特征比随机傅里叶特征更具信息性的尖锐指数界限。

Oct, 2023

本文提出了一种基于 Stein 效应的新型收缩估计器，用于随机特征的数据驱动加权策略，可以在核逼近和监督学习任务中提供更好的性能。

May, 2017

通过基于 Monte Carlo 近似的、通过积分表示核函数并扩展到更好的核近似估计的数值积分技术，我们提出了一个统一的方法来改进核逼近的随机特征方法，并得出了其收敛行为，并进行了大量实证研究，支持了我们的假设。

Feb, 2018