BriefGPT.xyz
Ask
alpha
关键词
representer theorems
搜索结果 - 4
神经再生核泛函空间及深度网络的表示定理
通过研究神经网络所定义的函数空间，我们展示了深度神经网络定义合适的再生核 Banach 空间，并且通过应用再生核 Banach 空间的理论和变分结果，得到了支持常用有限网络结构的再现定理，为更实际可行的神经网络架构提供了一步。
PDF
4 months ago
核方法的非参数表示学习
使用基于核函数的自监督学习和自编码器模型进行表示学习，引入新的表示定理并通过实验评估了这些方法在小数据环境和与神经网络模型的比较中的性能。
PDF
10 months ago
正则化和多视图支持向量机学习的本地化
本论文证明了一些 representer 定理，用于处理一般情况下的支持向量机学习问题，该问题涉及到算子值半正定核和它们的再生核希尔伯特空间。在有限和无限维输入空间和凸或非凸损失函数情况下，我们证明了这个普遍框架允许无限维输入空间和某些特殊
→
PDF
a year ago
关于再现核巴拿赫空间：通用定义与构造的统一框架
本文提出一种基于泛函分析的、统一且独立于构造方式的 RKBS 定义和重现核，通过连续的双线性形式和特征映射的配对实现了各种既有 RKBS 构造的统一，并提出了一类新的 Orlicz RKBS，最后在所提出的框架中发展 RKBS 的机器学习表
→
PDF
6 years ago
Prev
Next