PulseAugur
中
实时 11:04:34
English(EN) Exact Rank-Space KL Projection for Shared-Marginal Low-Rank Factors: Application to Doubly Stochastic Clustering

新的KL投影方法增强了双重随机聚类

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的双重随机聚类方法，通过对低秩因子进行精确的Kullback--Leibler (KL)投影。该方法利用具有规定行边际和共享、学习到的列边际的非负因子，减少了有效变量，并实现了高效的无矩阵Hessian-向量乘积。该方法应用于双重随机图学习，无需具体化大型优化变量即可诱导出精确的双重随机图。匹配聚类实验证明了其具有竞争力的准确性和有利的随时可用行为。 AI

影响 引入了一种新颖的聚类数学框架，有望提高基于图的AI任务的性能。

排序理由 详细介绍一种新的聚类数学方法的学术论文。[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KL投影方法增强了双重随机聚类

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Enliang Hu ·

    Exact Rank-Space KL Projection for Shared-Marginal Low-Rank Factors: Application to Doubly Stochastic Clustering

    arXiv:2608.08642v1 Announce Type: new Abstract: We study exact Kullback--Leibler (KL) projection for low-rank factorizations whose two nonnegative factors have prescribed row marginals and a shared, learned column marginal. For arbitrary positive row marginals of equal total mass…

相关实体

相关话题