BriefGPT - AI 论文速递
·
利用再生核空间插值和模型减缩训练神经网络
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文提供了Nyström方法用于求解不定核的低秩矩阵逼近的数学完整证明，并提出了一种高效的方法来寻找这种核矩阵的近似特征分解，以此构建可在再现核Krein空间中学习的高度可扩展方法。这些方法提供了一种有原则的并且理论基础良好的方法来解决大规模关于不定核的学习问题。本文的主要动机来自于具有结构表示的问题，在这些问题上，根据直觉和/或领域专家的知识很容易设计出一对一的（不）相似度函数。这些函数通常不是正定形的，并且超出了实践者的专业知识范围。本文使用不定核构建在结构化和向量化数据表示中，通过经验证明了这些方法的有效性。
🎯
关键要点
- 本文首次提供了Nyström方法用于求解不定核的低秩矩阵逼近的数学完整证明。
- 提出了一种高效的方法来寻找核矩阵的近似特征分解。
- 构建可在再现核Krein空间中学习的高度可扩展方法。
- 这些方法为解决大规模不定核学习问题提供了有原则和理论基础良好的方案。
- 主要动机来自于具有结构表示的问题，如图形、字符串和时间序列。
- 根据直觉和领域专家知识设计的一对一（不）相似度函数通常不是正定形的。
- 本文通过经验证明了不定核在结构化和向量化数据表示中的有效性。
➡️
