English(EN) Separation Capacity of Scattering Networks on Low-Dimensional Datasets

散射网络针对低维数据分析进行优化 · 跟踪2个来源

作者 PulseAugur 编辑部 · [2 个来源] · 2026-07-07 09:25

研究人员发表了一篇论文，详细介绍了提高散射网络对低维数据集区分能力的方法。该研究侧重于通过调整滤波器框架来优化网络架构，提出了两个关键设计标准：确保滤波器充分捕捉数据频率，并保持连接框架与数据几何的良好条件矩阵。这些发现旨在改善具有内在低维性的数据集的特征提取。 AI

影响为改进低维数据机器学习模型的特征提取提供了理论基础。

排序理由该集群包含一篇在arXiv上发表的学术论文，其中详细介绍了研究结果。

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv stat.ML TIER_1 English(EN) · Konstantin H\"aberle, Helmut B\"olcskei · 2026-07-08 04:00

Scattering Networks on Low-Dimensional Datasets Separation Capacity

arXiv:2607.06048v1 Announce Type: new Abstract: We aim to identify scattering network architectures that maximize the separation capacity on data with low intrinsic dimension. The networks we consider employ a fixed monomial nonlinearity and no pooling, so that the only design va…
arXiv stat.ML TIER_1 English(EN) · Helmut Bölcskei · 2026-07-07 09:25

Scattering Networks 在低维数据集上的分离能力

We aim to identify scattering network architectures that maximize the separation capacity on data with low intrinsic dimension. The networks we consider employ a fixed monomial nonlinearity and no pooling, so that the only design variable is the frame generated by the network fil…