两篇新研究论文从几何角度探讨了奇异值分解(SVD)在机器学习中的基础和应用。第一篇论文从几何视角重新审视了SVD,展示了其证明如何直接转化为主成分分析、核方法和PageRank的算法。第二篇论文介绍了一种名为eKSVD的扩展,它能够使用非对称核在多个数据源之间进行联合非线性特征学习,并且可以与神经网络互补。 AI
影响 这些论文提供了对SVD在机器学习中作用的更深层次的理论理解,有望带来更高效、更多功能的算法。
排序理由 两篇发表在arXiv上的学术论文,讨论了SVD在机器学习中的理论进展和应用。
- arXiv
- eKSVD
- Karush-Kuhn-Tucker (KKT) conditions
- Kernel Singular Value Decomposition
- KSVD
- Lagrange function
- Lanczos decomposition theorem
- Mercer kernels
- neural networks
- kernel method
- machine learning
- PageRank
- principal component analysis
- singular value decomposition
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →