实体
Conditional KRR
Conditional KRR
PulseAugur coverage of Conditional KRR — every cluster mentioning Conditional KRR across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
条件KRR通过无惩罚特征增强核方法
研究人员开发了一种称为条件核岭回归（条件KRR）的方法，通过整合无惩罚特征来增强核方法。这种方法类似于在函数类$\mathcal{F}$上执行标准线性回归，然后将KRR应用于剩余的未解释方差。理论分析表明，当回归函数的$\mathcal{F}$-分量显著时，条件KRR的性能可能优于标准KRR，实验结果也支持了这一发现。
-
新的条件KRR方法通过未惩罚特征增强核回归
一篇新论文介绍了条件核岭回归（Conditional KRR），这是一种通过整合未惩罚特征来增强标准KRR的方法。当一个特定的函数类（表示为 \(\mathcal{F}\)）显著影响目标变量时，这种方法是有益的。研究表明，Conditional KRR可以通过将其简化为具有修改后的“残差核”的标准KRR问题来进行分析。理论结果显示，预期测试风险的界限为 \(\mathcal{O}(1/\sqrt{N})\)，实验证实当 \(\math…