Hilbert–Schmidt operator
PulseAugur coverage of Hilbert–Schmidt operator — every cluster mentioning Hilbert–Schmidt operator across labs, papers, and developer communities, ranked by signal.
-
新几何框架增强机器学习指标
研究人员开发了一个新的广义无限维Alpha-Procrustes几何框架，扩展了现有的Bures-Wasserstein和Log-Euclidean等指标。该形式主义基于单位化Hilbert-Schmidt算子和扩展的Mahalanobis范数，可以对这些距离进行稳健的无限维推广。该方法包括一个可学习的正则化参数，以提高高维比较中的几何稳定性，并在基准数据集的初步实验中显示出改进的性能。
-
新的量子增量学习框架使用混合状态原型
研究人员开发了一个新的量子增量学习框架，旨在解决嘈杂中型量子（NISQ）时代的局限性。该框架利用可训练的混合状态原型，即使在电路宽度受限的情况下，也能在不发生灾难性遗忘的情况下顺序学习新类别。与单一纯状态原型相比，混合状态原型的使用提供了增强的表示能力，并且相关的计算为分类提供了方便的希尔伯特-施密特距离度量。模拟表明，与经典方法相比，该模型可以用最少的量子比特实现高维特征集中，具有较低的计算复杂度和在增量学习任务上的稳健性能。
-
新方法改进了核 Stein 差异估计
研究人员开发了一种估计核 Stein 差异（KSD）的新方法，这是一种用于比较样本分布和评估近似推理的技术。该研究将 Stein 协方差算子的 Hilbert-Schmidt 范数确定为决定 minimax 风险的关键因素，建立了 \(\|C_\star\|_{\mathrm{HS}}/n\) 的新估计尺度。这种方法优于标准的 V 统计量，后者被证明对于某些分布和核来说是次优的。