研究人员开发了一个可扩展版本的平均绝对距离差（MADD）算法，以解决其在大数据集上的计算限制。原始的 MADD 算法虽然在高维场景中有效，但其计算复杂度与训练样本数量呈二次方关系，使其不适用于大数据。提出的可扩展版本通过采用代表性样本选择并利用随机傅里叶特征进一步加速，显著降低了计算复杂度，从而能够将 MADD 应用于具有大量观测值的大数据。 AI
影响 这项研究为大数据分类任务提供了一种更有效的方法，有可能提高基于距离的算法在机器学习中的性能和适用性。
排序理由 该集群描述了在 arXiv 学术论文中发布的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.08334v1 Announce Type: cross Abstract: Distance-based classifiers are very popular, and the Euclidean distance is one of the most commonly used metrics in distance-based classifiers. However, classifiers based on the Euclidean distance often suffer in high-dimensional …
Distance-based classifiers are very popular, and the Euclidean distance is one of the most commonly used metrics in distance-based classifiers. However, classifiers based on the Euclidean distance often suffer in high-dimensional setups due to issues such as distance concentratio…