本文研究高维紧致集合中数据的核近似，提出用径向核函数的泰勒级数进行近似。针对单位立方上的高斯核，分析特征值的上限，发现其呈多项式增长。新方法通过较小的正则化参数提升了近似效果，并验证了低秩近似方法如Nyström方法的有效性。

本文介绍了核方法在机器学习中的应用，包括解决大规模数据集问题的方法和近似误差的使用。同时指出了高斯核中的一种变体具有更高的方差和更糟糕的界限。

本文介绍了核方法在机器学习中的应用，包括解决大规模数据集问题的方法和误差界限的理解。同时指出了高斯核中的一种变体具有更高的方差和更糟糕的界限。

该文介绍了应用偏差方法和串联方法提供改进的核函数广泛类别Coreset复杂性的界限，并给出了对于高斯核和拉普拉斯核，在数据集均匀有界的情况下，产生O(√d/ε√loglog(1/ε))大小的Coreset的随机多项式时间算法。同时，对于恒定的d，该文得到了O(1/ε√loglog(1/ε))大小的拉普拉斯核的Coreset。最后，该文给出了指数核、Hellinger核和JS核Coreset复杂性的最佳已知界限。