多线性核回归与流形学习中的插补
原文约200字，阅读约需1分钟。发表于：。该论文介绍了一种新颖的非参数框架用于数据插值，称为多线性核回归和流形假设下的插值（MultiL-KRIM）。
该研究提出了一种无监督框架，用于寻找训练样例。该方法可用于预训练网络的无监督微调，表现出相似或更好的性能。
该论文介绍了一种新颖的非参数框架用于数据插值，称为多线性核回归和流形假设下的插值（MultiL-KRIM）。
该研究提出了一种无监督框架，用于寻找训练样例。该方法可用于预训练网络的无监督微调，表现出相似或更好的性能。
正在访问的资源需要验证您是否真人。
或在微信中搜索公众号“小红花技术领袖”并关注
第二步：在公众号对话中发送验证码：