Hermite polynomial
PulseAugur coverage of Hermite polynomial — every cluster mentioning Hermite polynomial across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架使用半非参数密度进行非高斯不确定性估计
研究人员开发了一个新的数学框架,使用半非参数(SNP)密度来估计非高斯不确定性。该方法采用厄米多项式来确保概率密度非负并捕捉非高斯行为。一旦SNP密度拟合到样本数据,就可以直接进行密度和概率的解析评估,而无需在多项式阶数之外进行额外的超参数调整。在混沌洛伦兹系统上的演示表明,SNP密度能够准确表示非高斯状态分布,并实现直接的概率和分位数评估,为非线性估计和控制中的不确定性量化提供了一个有前景的工具。
-
新框架可从数据统计预测机器学习模型性能
研究人员开发了新的理论框架来预测机器学习模型的性能。第一种方法,即 Hermite 特征结构 ansatz (HEA),利用原始数据统计来预测核回归的学习曲线,即使是在 ImageNet 等真实世界图像数据集上也是如此。第二个系统 Seer 采用最大似然回归来模拟分类学习性能,预测达到所需准确率所需的训练示例以及可达到的最大准确率。
-
arXiv论文将信号处理解析度与高斯性联系起来
一篇新发表在arXiv上的论文探讨了在有噪声环境下信号处理的数学特性。研究表明,标量最小均方误差(MMSE)在零信噪比下的解析度直接等价于输入信号是高斯信号。这种等价性在特定的矩条件下成立,证明过程涉及将估计问题转化为作用于输入信号矩生成函数的 the heat flow。
-
New PV-ANN Framework Improves Recovery of Nonlinear Latent Variable Functions
研究人员开发了一个名为合理值神经网络(PV-ANN)的新框架,以解决在使用合理值而非真实潜在得分时恢复潜在变量非线性函数所面临的挑战。该方法将保留潜在方差的合理值与人工神经网络相结合,以在事先未指定的情况下学习函数形式。一项包含18个条件的研究表明,PV-ANN显著提高了潜在尺度函数的恢复能力,尤其是在低可靠性和测量误差的条件下,同时不会对预测准确性产生负面影响。
-
新的q正交核增强了SVM的性能和稳定性
研究人员为机器学习引入了一类新的核函数,特别是用于支持向量机(SVM),该核函数基于离散的$q$-Hermite I多项式。这些q正交核泛化了经典的Hermite多项式,旨在提供比现有方法更好的数值稳定性和计算简便性。在20个基准数据集上的实验表明,这些新核在性能上与RBF等传统核以及其他正交多项式核具有竞争力,预示着连接数学理论与实际应用的核设计方向具有广阔前景。
-
埃尔米特多项式和多项式混沌展开增强AI数学基础
本文介绍了埃尔米特多项式和多项式混沌展开(PCE)作为AI应用的先进数学工具。它探讨了这些概念如何将线性代数扩展到函数空间,从而能够对复杂系统进行更复杂的建模。本文旨在提供对驱动现代AI的底层数学原理的更深入理解。