关键词column subset selection
搜索结果 - 9
- 凸优化与列子集选择的矩阵补全
我们介绍了一种用于矩阵恢复问题的两步方法，结合了列子集选择和低秩矩阵补全问题的理论基础。该方法通过两个凸优化任务来求解，我们提出了两个算法来实现 Columns Selected Matrix Completion（CSMC）方法，分别针对 - 基于统计的列子集选择视角
在这篇论文中，我们研究了从大数据集中选择一个小的代表性变量子集的问题，并且证明了计算机科学文献中的维数约简问题（Column Subset Selection）和统计学文献中的寻找最大信息变量集的问题是等价的，同时也可以在一定的半参数模型中 - CVPRCNN 模型压缩的通道探索 (CHex)
提出了一种名为 CHEX 的新型通道探索方法，使用 CSS 解决层内的通道修剪问题，使用回归阶段解决层间的动态重新分配通道数量的问题。所有探索过程都是在单次训练中完成的，实验结果表明，CHEX 可以有效地减少各种 CNN 架构的 FLOPs - 非自适应自适应抽样的转门流
该研究提出了一种适应性采样算法，能够在单处理器计算中对数据进行概括，同时提供了一种在旋门流数据上执行的采样算法，同时进行了容器选择、子空间逼近、投影聚类和体积最大化等各种类型的数据概括算法。
- 双重体积采样的多项式时间算法
通过发展精确（随机）多项式时间抽样算法，使用实稳定多项式理论研究双重体积抽样的概率分布，证明了它满足 “强瑞利” 属性，并实现了快速混合马尔可夫链采样器，该采样器与常见的实验设计方法相关，是更多实践者的首选。
- ICML贪心列子集选择：新界和分布式算法
本文研究理论和实际情况下对列子集选择问题的贪婪算法，并从分布式角度验证其有效性，结合最近在子模最大化中发展的随机可组合核心集思想，提供了改进的近似保证并呈现首个具有可证明近似因子的分布式实现，最后通过实证研究验证了其分布式算法的有效性。
- 基于显式采样依赖的列子集选择谱误差界
本文章研究了列子集选择的问题，通过分析随机化算法的谱范数重构，建立了一个新的、显式地以采样概率为依据的误差界，并通过解一个与误差界有关的约束优化问题来实现比传统采样分布更好的性能。数值模拟结果显示，新的采样分布可以比目前的算法在低秩矩阵近似 - NIPS广义列子集选择的快速贪心算法
本文定义了一般化的列子集选择问题，该问题涉及从源矩阵 A 中选择少量列，这些列最能逼近目标矩阵 B 的跨度，提出了一种快速贪心算法来解决这个问题，并与可以使用所提出的算法有效解决的不同问题建立联系。
- 列子集选择、矩阵分解和特征值优化
提出了一种基于随机列抽样的多项式时间算法，用于选择具有良好谱特性的矩阵子集，具有较高的计算效率和实用价值，并结合 Grothendieck 因子分解构造了一种新的近似算法，以计算矩阵的（无穷大，1）范数。