该文综述深度核方法，将深度学习架构与核方法灵活性结合，通过局部核插值、Kronecker与Toeplitz代数实现可伸缩性，学习推断代价O(n)、预测O(1)。涵盖深度核机器、卷积DGP、TDGP及核字典学习等，在MNIST、CIFAR上取得高准确率并降低计算成本。

本文介绍了一种新的深度核机器（DKMs）方法，包括卷积DKMs和跨域引导点逼近方案。作者开发和实验评估了多种模型变体，结果模型在MNIST、CIFAR-10和CIFAR-100上达到了高准确率。