PulseAugur
中
实时 06:23:54
English(EN) Revisiting Forest Proximities via Sparse Leaf-Incidence Kernels

新的核框架实现了可扩展的森林邻近性计算

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新的森林邻近性计算框架，用于从决策树中导出监督相似性。该框架基于可分离加权叶片碰撞（SWLC）核，通过揭示共同的稀疏叶片入射结构来统一现有的邻近性方法。该方法允许显式的叶片空间表示和邻近性矩阵的精确稀疏分解，将计算简化为稀疏线性代数。该方法在Python中实现，在时间和内存方面实现了近乎线性的扩展，从而实现了更快的核计算和任务感知嵌入。 AI

影响 这项研究为机器学习中的核计算提供了一种更具可扩展性的方法，有可能使决策森林在表示学习和核管道中的应用更加广泛。

排序理由 这是一篇发表在arXiv上的研究论文，详细介绍了一种新的机器学习计算框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的核框架实现了可扩展的森林邻近性计算

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Adrien Aumon, Guy Wolf, Kevin R. Moon, Jake S. Rhodes ·

    通过稀疏叶片入射核重新审视森林邻近性

    arXiv:2601.02735v3 Announce Type: replace Abstract: Decision forests induce supervised similarities through the partition structure of their trees. Yet forest proximity computation is still often treated as a quadratic operation in the number of samples, which limits scalability …

相关实体

相关话题