Hilbert spaces
PulseAugur coverage of Hilbert spaces — every cluster mentioning Hilbert spaces across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新研究探索参数雅可比矩阵在神经网络稳定性中的作用
本文在学习模型和神经切线核（NTK）的框架下，探讨了网络输出的稳定性。研究表明，线性化动力学自然地导出了半群公式，通过希尔伯特空间上线性算子的特殊半群来呈现时间动力学。该研究提供了新的、明确的先验扰动界限结果，包括NTK构造的有限时间扰动估计以及对非自治NTK演化的扩展。
-
新界限推进了从依赖数据中学习算子的研究
研究人员为从序列数据中学习算子开发了新的理论界限，特别是在观测数据相互依赖的情况下。这些界限适用于希尔伯特空间中的随机过程，并为线性和非线性算子提供了回归误差保证。该工作旨在推进自适应算子学习和从随机动力系统学习的收敛保证，而无需独立性或混合性假设。
-
量子核学习通过核磁共振扩展到量子数据
研究人员已通过核磁共振（NMR）技术，将量子核学习（QKL）实验性地扩展到处理量子数据。这一进展允许通过数值计算核函数并在一组3量子比特的NMR寄存器上进行验证，从而对包括纠缠和非纠缠类型在内的算子进行分类。该研究表明，QKL提供了一种在无需广泛层析成像的情况下，在硬件上分析量子数据的实用方法，其在捕捉量子空间结构方面优于经典方法。
-
新的巴拿赫空间理论用于AI中的马尔可夫式哈尔彭迭代
研究人员开发了一个新的理论框架，用于逼近非扩张算子的不动点，特别是在数据源自连续马尔可夫轨迹时。他们新颖的方差缩减马尔可夫PAGE-Halpern方法在希尔伯特空间中实现了O(epsilon^-3)的样本复杂度，并将其扩展到一般的有限维巴拿赫空间，同时还建立了高概率保证。
-
新的量子编码框架捕捉复杂数据结构
研究人员引入了一个名为量子拓扑数据编码 (QTDE) 的新框架，以更好地表示复杂数据集。该方法将拓扑信息编码到量子态中，旨在捕捉传统基于向量的方法难以处理的几何结构。QTDE 在分类团簇复形方面显示出潜力，其性能优于依赖经典拓扑描述符直接比较的基线方法。
-
新的量子核策略旨在防止机器学习中的过拟合
研究人员提出了一种构建量子核的新方法，旨在克服现有方法中常见的过拟合和泛化能力差的挑战。这一新颖的策略受到经典机器学习中良性过拟合概念的启发，包括创建局部-全局量子核。这些核结合了来自小子系统的测量和全系统测量，以提高数据相关性捕获和泛化性能。
-
新方法探索用于神经网络的无梯度优化
研究人员正在探索用于优化神经网络的新颖方法，而不依赖于传统的基于梯度的方法。一篇论文介绍了一种用于可微优化的全一阶层，通过将问题重新表述为双层优化任务来避免计算量大的Hessian计算。另一项研究提出了一种在希尔伯特空间中进行无限维优化的无梯度方法，利用方向导数和自动微分，该方法在通过物理信息神经网络求解微分方程方面显示出潜力。在MNIST数据集上的实际演示成功地采用了一种无导数优化方法，在图像分类中取得了具有竞争力的准确率，并在高维…
-
研究人员提出使用核方法在希尔伯特空间中实现高斯混合模型
研究人员开发了一个新的高斯混合模型框架，专为复杂、无限维度的数据（如动态函数数据）设计。该方法利用核均值嵌入，并提供了高效的估计算法，在无限维度空间中具有明确性和近似能力的理论保证。该框架在包括函数数据和医学应用中的随机图在内的各种数据类型上进行了评估。
-
新算法为度量空间中的复杂数据建模随机效应
研究人员开发了一种新的基于非线性 Fréchet 的算法，用于在度量空间中建模随机效应，填补了当前统计框架中的空白。该方法旨在处理概率分布和随机图等复杂、非欧几里得数据对象，这些对象在现代数据集中越来越普遍。使用合成和数字健康数据评估了该算法的性能，显示其在处理希尔伯特空间有限的现有方法方面具有潜在优势。
-
Generalising maximum mean discrepancy: kernelised functional Bregman divergences
研究人员引入了一个新的函数式Bregman散度框架，将其应用扩展到希尔伯特空间和核方法。该方法利用这些空间的性质进行更方便的微积分和更容易的散度估计。该工作讨论了在聚类、通用估计、鲁棒估计和生成模型等领域的潜在应用。