本文介绍了一种新型核函数——加权位置特异性评分核矩阵（W-PSSKM），结合氨基酸频率和字符串核的概念，提升了蛋白质序列分类的准确性，最大提高达45.1%。

本研究提出了一种适用于任意核函数的精确有限维显式特征映射，解决了核方法中的计算复杂性问题。该方法使数据点在特征空间的内积等于核函数值，简化了机器学习算法的实现，尤其在主成分分析和t-SNE可视化中具有重要影响。

支持向量机（SVM）是处理线性可分数据的强大分类器，但在实际问题中，类别往往是非线性可分的。通过使用核函数，可以将数据投影到更高维的空间中，从而处理非线性关系。多项式核、径向基函数（RBF）核、Sigmoid核和线性核是常用的核函数。使用核函数的SVM可以高效处理非线性数据。在选择核函数时，需要权衡模型性能和解释性。

本文提出了一种新方法，利用领域知识嵌入核函数，提升机器人在未知环境中的安全导航能力。研究表明，基于领域知识的核函数在小数据集上的回归质量更佳。此外，提出的自适应预测集成框架改善了自动驾驶轨迹预测模型在分布外场景中的泛化能力，展示了混合方法的潜力。

本文探讨了多种核函数选择和构造方法，包括数值逼近、数据驱动的核选择和改进的聚类算法。这些方法在机器学习模型训练中有效提高了准确性，降低了计算复杂度，并在分子设计等领域取得了显著成果。

本文探讨了一系列可行的核函数，能够在有界正半定函数中密集近似任意有界核函数。研究涵盖平稳核函数、谱核函数及其在高维流形学习中的应用，提出了基于凸优化的算法以改进聚类结果。同时，分析了正定核的逼近性质及其对算法的影响，提供了热核近似算法的理论保证，并阐明了谱聚类和降维算法的数学基础。

该研究使用对抗样本攻击机器学习，通过添加不可感知的扰动来诱导错分。研究发现成功对抗样本的概率上限取决于扰动范数、核函数和标签之间的距离。实验证明了理论结果，并展示了改变核函数参数会影响成功对抗样本的概率上限。

该研究提出了一种新的自监督关键点径向投票型6DoF PE框架，通过学习核函数在高维特征空间中缩小仿真和真实领域之间的差距。该方法在多个数据集上获得了最先进的性能，并与全监督方法相媲美。

本文研究了顶点、边和单元之间的相互作用，并提出了复杂细胞复合体上的高斯过程来捕捉这些高阶单元之间的相互作用。研究者推导出两个新的核函数，一个泛化了图马尔诺核函数，另一个混合了不同单元类型的信息。

TDGP是一种新的学习低维表示的方法，通过定义局部线性变换来保持潜在嵌入的概念，并保留核函数的长度尺度的解释性。在发现输入数据的低维流形、增加层数时表现良好，在标准基准数据集上得到了证明。

本文介绍了平滑随机行走核函数和不正规马特尔核函数，解决回均值高斯过程回归的已知病态问题，保留了平稳核函数的有利特性。作者验证了这些核函数的有效性。

该文介绍了一种利用领域知识嵌入核函数的方法和一种基于滚动预测的离线在线监控器，用于机器人的安全导航。数值结果表明，具有领域知识的核函数在小数据集上具有更好的回归质量。通过对四足机器人进行测试，演示了 OoD 监控器的有效性，可可靠地对以前未见的地形进行分类。

本研究提出了一种新算法，允许卷积神经网络的卷积层在动态环境下进行演化，并无缝地整合到现有的 DNNs 中。通过引入核函数，迭代性地评估图像特征的识别能力，本方法在多个数据集上展示了优于监督方法的表现，并在迁移学习场景中展示了增强的适应性，填补了深度学习中对于动态环境更灵活高效的 DNNs 的空白。