radial basis function
PulseAugur coverage of radial basis function — every cluster mentioning radial basis function across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新方法使用预取值（prequential e-values）为GP优化提供可审计的近最优性证书
研究人员开发了一种新方法，使用预取值（prequential e-values）为顺序黑盒函数优化中的近最优解创建可审计的证书。该方法解决了在认证结果之前，根据自适应评估调整高斯过程（GP）包络的常见做法，这种做法可能导致过度自信。通过用其自身的e-过程测试候选包络并消除被反驳的包络，该方法在特定条件下确保了随时有效性，显著降低了错误认证的风险，同时保持了效力。
-
新框架学习智能系统的自适应安全运行包络
研究人员开发了一种新的面向数据的自适应安全过滤框架，用于任务关键型智能系统。该方法从数据中学习安全运行包络，并实时更新以适应时变限制。该方法利用径向基函数核支持向量机来初始定义安全集，然后基于退化信号使用连续时间递减SVM更新律对其进行收缩。引入了同伦平滑SVM-CBF来管理学习屏障的过渡，并且基于二次规划的安全过滤器在退化的输入约束下强制执行时变屏障。在垂直起降模型上的仿真证明了该框架在保持安全和避免突然屏障切换效应方面的能力。
-
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。
-
AI 系统融合 CNN 和 GLCM 特征，实现 95% 的白内障分级准确率
研究人员开发了一种利用深度学习和传统图像处理技术融合来分类白内障严重程度的新颖系统。这种混合方法结合了卷积神经网络 (CNN) 的特征和手工制作的灰度共生矩阵 (GLCM) 描述符。该系统在 300 张图像的测试集上达到了 95.0% 的高准确率，优于仅使用 CNN 或仅使用纹理的基线方法。该方法为白内障分级提供了一种经济高效的解决方案，适用于初级保健和远程医疗环境，无需专门的硬件或 GPU 加速。
-
新的混合人工智能模型使用可微分偏微分方程求解器重建物理场
研究人员开发了一种新颖的混合方法，用于从稀疏测量中重建密集物理场，将数值模拟器与数据驱动模型相结合。该方法将径向基函数（RBF）重建与神经网络（NN）校正和偏微分方程（PDE）求解器相结合，使得模拟器可以直接嵌入到神经网络的训练循环中。值得注意的是，神经网络的训练不需要完全解析的模拟状态的示例，这是通过实现端到端可微分的PDE求解器实现的，该求解器允许梯度通过模拟步骤进行反向传播。与纯粹的统计或基于机器学习的重建方法相比，这种“灰盒”…
-
IG-GAN利用内在几何进行空气动力学数据生成
研究人员开发了IG-GAN，这是一种新颖的生成对抗网络，旨在处理存在于流形而非平面欧几里得空间中的数据，这是现实世界数据（尤其是在空气动力学领域）的常见特征。该新网络将空气动力学数据表示为由Bézier曲面构成的光滑流形，并通过学习系数自动组合它们。判别器采用了径向基函数方法。实验表明，IG-GAN在Burgers方程和ONERA M6飞机数据集上的性能优于现有方法，均方误差显著降低。
-
新方法优化高斯过程回归的量子核估计
研究人员开发了一种新颖的方法，用于优化高斯过程回归的量子核估计中的采样分配。该方法旨在通过根据核条目对下游任务的敏感性来智能地分配采样工作，从而减少实现目标精度所需的计算预算。所提出的方法包含一个统一覆盖底线以减轻敏感性估计中的噪声，在各种基准测试和不同的量子核上均显示出测试均方根误差（RMSE）的显著改进。
-
基于RRAM的RBF神经元硬件在MNIST上达到89.1%的准确率
研究人员开发了一种使用金属氧化物阻变存储器（RRAM）技术的新型径向基函数（RBF）神经元硬件实现。该设计基于定制的Template piXeL（TXL）单元，可作为资源受限的边缘设备上基于度量分类和在线适应的高效基板。模拟显示，基于RRAM的RBF分类器在MNIST数据集上实现了89.1%的准确率，且能耗低。
-
量子核方法在SAR海上目标分类方面显示出潜力
研究人员正在探索使用量子机器学习方法对合成孔径雷达（SAR）图像中的目标进行分类，特别是用于识别非法捕鱼船只。一项研究发现，量子核方法（QKMs）应用于真实的SAR数据时，其性能可与经典核方法相媲美，尽管它们在处理复杂数据时遇到困难。另一篇论文研究了受量子原理启发的张量网络，用于鲁棒且可扩展的SAR目标分类，并强调了它们对数据投毒的抵抗能力以及在边缘设备的效率。