实体
Recursive Feature Machines
Recursive Feature Machines
PulseAugur coverage of Recursive Feature Machines — every cluster mentioning Recursive Feature Machines across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
线性递归特征机动力学分析
研究人员分析了线性递归特征机（RFMs）的动力学和有限样本轨迹恢复。在具有各向同性亚高斯输入数据和低秩教师矩阵的噪声多输出回归设置中，他们扩展了线性RFMs与迭代重加权最小二乘法之间的联系。研究表明，学习到的特征矩阵非常接近其理想对应物，在n个样本下，误差以高概率衰减到O(sqrt(d/n))的速率。在真实文本和单细胞基因表达数据上的实验验证了该线性模型所学的特征。
-
新的K-Inverse-RFM方法缩小了与神经网络的性能差距
研究人员开发了K-Inverse-RFM，这是对递归特征机（RFM）的一种改进，可以提高其在数据损坏数学任务上的性能。通过对训练标签应用变换，K-Inverse-RFM帮助RFM克服了在嘈杂、复杂或不平衡数据集中的局限性，使其在这些具有挑战性的场景中能够媲美甚至超越前馈神经网络（FNN）的性能。
-
核回归方法恢复多指标模型的中心子空间
研究人员开发了一种使用核岭回归和平均梯度外积（AGOP）的方法来识别数据中潜在的低维结构。该技术可以恢复多指标模型的中心子空间，即使在预测精度仍然很低的情况下也是如此。研究结果表明预测和表示之间存在分离，解释了迭代核方法（如递归特征机）的样本效率。