English(EN) Norm-optimal model order reduction in reproducing kernel Hilbert spaces

新框架实现了RKHS中的范数最优模型降阶

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-27 04:00

研究人员开发了一个在Reproducing Kernel Hilbert Spaces (RKHSs)中进行模型降阶 (MOR) 的新框架。该框架将现有的范数最优降阶模型所需的插值条件进行了扩展，这些条件最初应用于Hardy-Hilbert空间中的有理函数。所提出的方法利用广义Malmquist-Takenaka函数在RKHSs中创建标准正交基，从而实现了对具有可微和不可微核的模型进行范数最优MOR。该方法已通过对支持向量机和深度ReLU网络等机器学习模型的数值实验得到验证，并应用于多项式拟合和求解偏微分方程。 AI

影响这项研究通过实现对复杂函数的更好逼近，可能带来更高效的机器学习模型。

排序理由该集群包含一篇详细介绍模型降阶新数学框架和算法的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]

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 →

本文如何被排名

Signal score: 5 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍模型降阶新数学框架和算法的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Tam\'as D\'ozsa, Andrea Angino, Rolf Krause, Matthias Voigt · 2026-10-27 04:00

重现核希尔伯特空间中的范数最优模型降阶

arXiv:2610.28224v1 Announce Type: cross Abstract: We consider the problem of model order reduction (MOR) in reproducing kernel Hilbert spaces (RKHSs). We prove generalizations of well-known necessary interpolatory conditions for norm-optimal reduced-order models, originally state…

本文如何被排名

报道来源 [1]

重现核希尔伯特空间中的范数最优模型降阶

相关实体

相关话题