通过将输入点通过简单的傅里叶特征映射传递，使得多层感知机（MLP）能够学习低维问题领域中的高频函数。研究结果对计算机视觉和图形学领域中使用 MLP 表示复杂 3D 对象和场景的最新进展提供了启示。通过神经切比雪夫核（NTK）文献中的工具，我们展示了标准 MLP 在理论和实践中都无法学习高频的结论。为了克服这种频谱偏差，我们使用傅里叶特征映射将有效的 NTK 转换为带有可调节带宽的平稳核。我们提出了一种选择问题特定的傅里叶特征的方法，极大地提高了 MLP 在与计算机视觉和图形学相关的低维回归任务中的性能。

Jun, 2020

通过基于指数的泰勒展开的显式有限多项式特征表示，我们研究了训练和使用高斯核 SVM，尽管在特征数量方面不如最近提出的随机傅里叶特征 [Rahimi and Recht, 2007] 高效，但我们展示了这种多项式表示法可以在计算成本上提供更好的近似，这使得我们的特征在处理大数据集并进行在线或随机训练时特别有吸引力。

Sep, 2011

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

我们在这项工作中正式证明，在特定条件下，如果神经网络对于一个有限群是不变的，那么它的权重将恢复该群的傅里叶变换。这为傅里叶特征的出现提供了数学解释，傅里叶特征是生物和人工学习系统中普遍存在的现象。即使对于非交换群，这些结果仍然成立，此时傅里叶变换编码了所有不可约幺正群表示。我们的研究结果对于对称性探索问题具有重要意义。具体来说，我们证明了从至少在某些限制范围内是近似不变的网络的权重中，可以恢复未知群的代数结构。总体而言，这项工作为不变神经网络表示的代数学习理论奠定了基础。

Dec, 2023

该研究利用张量列车格式来表示多项式分类器，提出了两种学习算法来解决低计算复杂度的优化问题，进而演示了其在实际应用数据集上的高效性和功效。

Dec, 2016

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

本文提出了一种基于傅里叶基的深度强化学习简单架构，通过理论和实验探究，发现学习傅里叶特征可以调整网络欠拟合和过拟合的程度，从而提高强化学习的性能和稳定性。

Dec, 2021

从 Fourier 角度出发，我们在同质空间上引入了一种统一的群等变网络框架，其中考虑了张量值特征场及其卷积层前后的特征，通过利用提升特征场的 Fourier 系数的稀疏性，通过 Fourier 域统一推导卷积核并实现非线性激活，该方法在 spherical vector field regression、point cloud classification 和 molecular completion 等任务中达到了最先进的性能水平。

Jun, 2022

通过对权重的重新排列，利用矢量量化方式压缩多层神经网络以在低性能计算平台上运行。在图像分类、目标检测和分割等任务中，相对于现有技术水平，可以将压缩后网络的性能损失降低 40％至 70％。

Oct, 2020

使用高斯积分逼近核函数的频域，可以构建确定性特征图来替代随机傅里叶特征映射，其采样量是以指数形式来考虑的，适用于稀疏 ANOVA 核函数，具有生成速度快和较高精度的特点。

Sep, 2017