通过基于先前指定的内核，采用数值逼近方法进行核函数选择 / 构造，从而探索构造非参数深度内核的解决方案，通过减半插值点的数量（使用与内核相关联的本征 RKHS 范数进行度量）而不会显着损失精度的简单前提来进行核函数选择。

Aug, 2018

用 KIP 算法从大规模数据集中提取出适合于训练机器学习模型的小规模数据集且在保持模型性能的同时可以大幅减小数据集容量的同时可以实现隐私保护，该算法在 MNIST 和 CIFAR-10 的分类中获得了最先进的结果。

Oct, 2020

该论文提出了一种数据驱动的核选择方法，利用相似性构建和优化图，辅助选择核子集，以提高函数近似的准确性和降低计算复杂度，并且采用随机特征逼近来实现在线学习，并通过实验证明了新方法的优势。

Feb, 2021

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。

Oct, 2018

基于变换器结构的核弹性自编码器（KAE）是一个自我监督的生成模型，通过修改的最大均值偏差和加权重构函数，解决了同时实现有效生成和准确重构的长期挑战，并在分子设计中取得了显著的多样性和近乎完美的重构，超越了之前的分子生成模型。KAE 实现了条件生成，在受限优化中基于波束搜索进行解码，表现出了优于训练数据集中所有现有候选物的最新性能。除了分子设计，我们预计 KAE 可以应用于解决一系列生成问题。

Oct, 2023

本文提出了一种基于随机化的近似核 K-means 簇算法，其利用采样点与数据集中所有点之间的核相似性来近似聚类中心，实现了与传统低秩核近似聚类方案相比更好的聚类性能、更短的运行时间和更小的内存需求，最后利用集成聚类技术进一步提高算法性能。

Feb, 2014

利用敏化和信息增益的方式改善了近似核在分类冠状病毒 (SARS-CoV-2) 突刺蛋白序列变异的性能，与基线和现有的健康医疗领域方法相比，我们的方法在两个数据集上都表现出更好的性能。

Sep, 2022

该研究提出并评估了一种从完整数据学习贝叶斯网络的 k 贪婪等价搜索算法（KES），其主要特点在于允许贪婪性和随机性之间的权衡，从而探索不同的好的局部最优解。实验结果表明，KES 经常比贪婪等价搜索算法（GES）找到更好的局部最优解。

Oct, 2012

介绍了可伸缩的深度核，将深度学习架构的结构属性与核方法的非参数灵活性相结合，通过局部核插值、引入点、Kronecker 和 Toeplitz 代数进行转换，使用这些闭式核可以用作标准核的替代品，在表达能力和可伸缩性方面具有优势，通常情况下，学习和推断代价为 $ O (n)$，而预测代价为每个测试点的 $O (1)$。

Nov, 2015

本文提出了在结构核插值框架中使用稀疏网格的方法，改进了高斯过程推理的可扩展性。这种方法结合了线性代数和基于单纯形的高维插值方案，使得 SKI 能够在更高维度下可靠地实现精确的推理。

May, 2023