kernel methods are a popular class of nonlinear predictive models in machine
learning. Scalable algorithms for learning kernel models need to be iterative
in nature, but convergence can be slow due to poor conditioning. Spectral
preconditioning is an important tool to speed-up the conv
我们介绍了一种新的预条件化迭代方法类别，用于解决线性系统的求解问题，并基于使用稀疏随机草图构建对 A 的低秩 Nyström 近似。我们证明，我们的方法的收敛性取决于 A 的自然平均条件数，该条件数随着 Nyström 近似的秩增加而改善。具体而言，这使得我们能够以更快的速度解决许多基本的线性代数问题，并且我们的工作采用完全不同的方法，利用矩阵缩略图工具。