- 最佳逼近的随机投影神经网络:收敛理论和实际应用
通过随机投影(RPNNs)的角度,我们研究了前馈神经网络(FNN)的最佳逼近概念,并探索了它们的收敛性质。我们证明了对于任何一类具有非多项式无穷可微激活函数的 RPNNs,存在一种选择的外部权重,当近似任何无穷可微函数时呈指数收敛率。为了说 - 具有理论保证的快速局部敏感哈希
通过随机抽样和随机投影的组合,FastLSH 算法将 LSH 计算的时间复杂度从 O (n) 降低到 O (m)(其中 m < n),并具有可证明的 LSH 属性,是一种有希望替代经典 LSH 方案的方法。
- 通过泰勒展开和稀疏分解在值域和傅里叶域之间高效学习偏微分方程
通过利用随机投影,Reel 通过在值域和频域将密集更新分解为稀疏的更新,从而加速偏微分方程的学习,并且具有更广泛的适应性。
- 行为认证系统的隐私保护机器学习
使用行为特征进行身份验证的机制,通过使用神经网络分类器和随机投影技术来保护数据隐私,并对安全性和隐私攻击提供保护
- 基于投影追踪的大规模最优输运图估计
通过投影寻找最优传输映射是一个有挑战性的问题,本文提出了一个新的估计方法,结合了投影追求回归和充分降维的思想,名为 PPMM 算法。理论证明了该算法在每个迭代中可以稳健地估计最信息化的投影方向,并且在可接受的步数内表现出弱收敛性,具有计算简 - 张量随机投影
介绍了一种基于张量分解格式 —— 张量列车(TT)和 CP 分解格式 —— 的两种张量随机投影映射方法来降低高维张量的维数,从而显著地降低了存储和计算成本,并证明了采用 TT 格式比 CP 格式更能够更快地实现相同的降维效果,相关实验验证了 - AAAI线性支持向量机的改进子采样随机哈达玛变换
本文中,我们通过分析在线性支持向量机分类的背景下使用 Subsampled Randomized Hadamard Transform (SRHT) 的效果,提出了重要性采样和确定性 top-r 采样,以产生有效的低维嵌入而不是均匀采样 S - 随机张量环分解及其在大规模数据重建中的应用
本文介绍了两种基于随机投影的张量环分解算法。实验结果表明,这两种算法具有较高的压缩性,可应用于深度学习数据集压缩和高光谱图像重建等领域。
- IJCAI基于随机投影和资格追踪的 LSTD 有限样本分析
该研究提出了一种利用随机投影和资格痕迹策略处理高维特征空间下的政策评估问题的新算法,经过理论分析,证明其比之前的算法表现更好。
- 迭代随机投影的十亿级网络嵌入
RandNE 是一种用于处理百亿级网络的、高效的、无误差聚合的网络嵌入方法,它采用高斯随机投影和迭代投影来实现低维嵌入空间的构建,并具有良好的分布式计算性能和动态网络更新能力。
- 基于随机投影的降维技术综述
本文总结了基于随机投影的不同方法的使用情况,旨在帮助实践者为其特定应用选择合适的技术,并列举了各种方法的优缺点,并为研究人员提供进一步的参考,以开发新的基于随机投影的方法。
- 基于随机投影和距离协方差的统计和数值高效独立检验
使用随机投影和距离相关性基础上的独立性测试方法 RPDC,其计算复杂度为 O (nKlogn),在多元情况下表现良好,并具有与最先进的距离方法近乎相同的功率。
- CVPR局部敏感二进制编码的双线性随机投影
本文介绍了一种基于二次随机投影的双线性随机投影方法,通过对特征矩阵进行投影并生成二进制编码,从而实现相似性搜索。实验结果表明该方法具有较高的有效性。
- 在并行和分布式环境中实现随机矩阵算法
在大规模数据时代,分布式系统为处理海量数据提供了可靠的、实惠的存储和可扩展的处理,本文主要介绍发展和实施随机矩阵算法在大规模并行和分布式环境中的最新工作,着重讨论随机投影和随机采样算法在极度超定的 l1 和 l2 回归问题中的实际应用和理论 - 具有尖锐保证的凸规划的随机草图
该研究探讨了使用随机投影进行维度降低的方法来近似解决具有凸性质的问题,在计算有限的情况下具有广泛的应用,同时还可以提高隐私保护和降低存储和计算成本。研究证明了该方法的近似比率可以用约束集合的几何特性来界定,对于一类广泛的随机投影,其投影结果 - 随机投影实验
该研究阐述了随机投影的应用,作为降维技术来学习高斯混合模型,并通过实现合成和真实数据的广泛实验来说明此方法的可行性。
- 通过双重随机投影恢复最优解
本文提出了一种名为 Dual Random Projection 的简单算法,通过将高维数据映射到低维子空间来减少计算成本,使用低维优化问题的对偶解来恢复原始优化问题的最优解,并分析了算法的理论依据。
- 高维数据异常检测的压缩 PCA 子空间方法
本文研究了随机投影在主成分分析及子空间检测方法中的应用,结果表明,当数据具有良好压缩的协方差时,随机投影数据的异常检测算法的表现与原始数据的异常检测算法的表现相当。
- 通过基于度数的顶点划分,在大型图中高效计算三角形数量
本篇论文介绍了一种可以适应半流模型的高效三角计数算法,这个算法结合了 Tsourakakis 等人的取样算法和 Alon、Yuster 和 Zwick 等人的顶点分区算法,可以在具有数百万和数十亿边的图中运行,可以适应半流模型,并提供了随机 - 非负最小二乘问题的随机投影
本篇研究文章使用快速 Johnson-Lindestrauss 变换以及基于随机 Hadamard 变换的方法,构造了一个较小的 Nonnegative Least Squares 问题,并在相对误差逼近意义下找到一个非负解,实验结果表明其