研究人员推出了一种名为“向后核集聚”（Backward Kernel Herding）的新算法，旨在提高核方法学习的效率，这类方法对于大型数据集通常计算成本很高。该方法以及一个名为“灵活核稀疏化”（Flexible Kernel Thinning）的扩展，旨在创建代表性的数据集子集，同时在再生核希尔伯特空间（Reproducing Kernel Hilbert Space）中保留关键属性。实验表明，向后核集聚在训练时间效率方面有显著提升，而灵活核稀疏化通常能产生更优的预测性能，尤其是在结合监督信息时。 AI
影响 这些新方法可能使强大的核方法学习技术能够应用于更大的数据集，从而提高机器学习任务的效率和预测性能。
排序理由 该集群包含一篇详细介绍核方法学习问题新算法的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- Backward Kernel Herding
- Blanca Cano-Camarero
- Flexible Kernel Thinning
- Gaussian Processes
- Kernel Support Vector Machines
- Kernel Thinning
- Maximum Mean Discrepancy
- reproducing kernel hilbert space
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
