reproducing kernel Hilbert space
PulseAugur coverage of reproducing kernel Hilbert space — every cluster mentioning reproducing kernel Hilbert space across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
新方法使用 Koopman 算子进行稀有过渡采样
研究人员开发了一种新颖的动力学系统过渡路径采样（TPS）方法，特别适用于分子动力学，通过利用 Koopman 算子和退出时间最优控制。该方法解决了跨越高自由能垒的稀有过渡的挑战。通过将 TPS 重构为具有由目标集首次命中时间定义的时域的最优随机控制问题，并使用 committor 函数来惩罚在非反应区域花费的时间，该方法推导出了一个最优控制器。该控制器在再生核希尔伯特空间中得到近似，显著增加了到达目标集的轨迹比例，并在双通道双势阱和丙…
-
新的 L0MO 方法在函数空间上推进贝叶斯优化
研究人员引入了一种名为 L0 流形优化 (L0MO) 的新方法，用于函数贝叶斯优化 (FBO)。该方法通过优化由核函数稀疏表示的函数的局部和系数，在再生核希尔伯特空间 (RKHS) 内进行搜索。所提出的技术旨在统一和改进现有的 FBO 方法，在包括为本研究开发的一组新的无限维测试函数在内的各种基准测试中均表现出卓越的性能。
-
随机最优控制与期权定价新框架
本文深入探讨了离散时间随机最优控制的理论基础，提出了一个新的动态规划框架。它引入了在再生核希尔伯特空间中使用非参数回归和蒙特卡洛子采样来估计价值函数的方法。该研究侧重于分析误差如何在时间上向后传播，这是该领域一个较少被探索的领域，并展示了其在美式期权定价中的应用。
-
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。
-
新的函数Tucker分解增强了张量分析
研究人员开发了一种新颖的函数Tucker分解（FTD），该方法将连续性约束嵌入到张量分解中。该方法将连续模式建模为再生核希尔伯特空间内的函数，无需预先指定的基即可保持Tucker模型的多元子空间结构。FTD提供了重构误差的理论界限，验证了其在跨域分类任务的子空间迁移中的应用，如高光谱成像和多元时间序列分析所示。
-
新的核方法适应学习到的多变量结构以进行函数近似
研究人员推出了一种名为全敏感核（TSKs）的新型方法，旨在利用有限数据改进复杂多变量黑盒函数的近似。TSKs利用加权ANOVA核，该核能够适应函数的底层多变量结构。该方法学习表征各种交互作用和主要效应中输入重要性的因子，提供与Sobol指数相关的、依赖于核的输入敏感性度量。实验表明，与标准的乘积核相比，这种自适应核方法显著提高了近似精度。
-
新的RKHS方法推进了连续输出的密度比估计
研究人员开发了一种新颖的再生核希尔伯特空间（RKHS）内的谱正则化方法，以解决目标漂移下连续输出设置中的密度比估计和重要性加权回归挑战。该方法提供了明确的有限样本收敛率，达到了最优的RKHS范数率。该方法还分析了密度比估计到最终预测器的误差传播，表明当有足够的样本用于密度比估计时，回归估计器可以达到最优率。
-
新研究探索用于复杂函数算子的神经网络逼近 · 跟踪3个来源
研究人员正在探索用于逼近复杂函数的高级神经网络架构。一篇论文详细介绍了深度ReLU网络如何在无限维希尔伯特空间上逼近光滑泛函，并根据坐标衰减和敏感性建立误差界。另一项研究引入了使用浅层神经网络算子的分形插值函数，以保持函数的平滑性，并通过Python实验进行了验证。第三篇论文研究了再生核希尔伯特空间上非线性泛函的神经算子，使用点评估而不是积分来简化架构，并推导出逼近率和学习保证。
-
新方法改进了流数据的核主成分分析
研究人员开发了一种新的核主成分分析（KPCA）方法，旨在处理流数据并适应随时间的变化。这种基于旋转的子空间跟踪方法通过将模型的估计旋转到新的数据点来更新模型，比单独使用传统的梯度下降方法具有更快的收敛速度。该技术包含一个鲁棒的影响函数，以减轻异常值的影响，使其适用于具有非线性模式和潜在数据漂移的真实世界数据集。
-
新的核稀疏化方法提高了机器学习的效率
研究人员推出了一种名为“向后核集聚”（Backward Kernel Herding）的新算法，旨在提高核方法学习的效率，这类方法对于大型数据集通常计算成本很高。该方法以及一个名为“灵活核稀疏化”（Flexible Kernel Thinning）的扩展，旨在创建代表性的数据集子集，同时在再生核希尔伯特空间（Reproducing Kernel Hilbert Space）中保留关键属性。实验表明，向后核集聚在训练时间效率方面有显著提…
-
提出Bures-Wasserstein流形上Fréchet回归新统计检验方法
研究人员开发了一种新的统计检验方法，用于分析Fréchet回归中的偏效应，特别适用于位于Bures-Wasserstein流形上的数据。所提出的检验统计量在零假设下近似于V统计量，其极限分布是卡方变量的混合。该分布由与再生核希尔伯特空间核相关的积分算子的特征值决定。该研究验证了该检验的渐近性质和一致性，并通过模拟和在单细胞RNA测序数据上的应用来检验其有效性，以检查年龄对基因共表达结构的影响。
-
通用编码计算框架引入以实现容忍掉队者的机器学习 · 跟踪2个来源
两篇新的arXiv论文介绍了通用编码计算（GCC）框架，该框架旨在提高分布式计算的效率和弹性，尤其是在机器学习任务中。第一篇论文提出了一种感知流形编码策略，该策略利用数据的内在结构，在减少掉队者情况下的恢复错误方面优于标准GCC。第二篇论文为GCC建立了学习理论基础，通过将编码计算构建为均方误差损失，并为各种掉队者场景提供理论性能保证，从而证明了其在深度神经网络中的适用性。
-
AI研究在推理、优化和移动基准测试方面取得进展
研究人员正在探索用于改进AI推理和统计分析的高级技术，特别是在资源受限的环境中。一篇论文介绍了IMABO，一个在线超参数优化（OHPO）框架，可在实时推理过程中调整配置，并以LLM代理进行了演示。另一项研究侧重于由预测驱动的条件推理，利用机器学习预测器来提高低数据场景下的统计准确性。第三篇论文提出了一种合成增强推理方法，学习一个尺寸-权重前沿，以确保在使用合成数据时获得可靠的结果。此外，一项基准测试工作评估了手机上的小型AI模型，同时…
-
新的Riesz回归框架统一了去偏机器学习
研究人员引入了广义Riesz回归，这是一个旨在统一和改进去偏机器学习技术的新框架。该新方法利用Bregman散度下的Riesz表示拟合，提供了一种灵活的方法，可以适应各种回归目标。该框架建立了经验Riesz方程，可以精确控制系统误差并实现正交得分恒等式，其推导出的收敛速率适用于稀疏模型、再生核希尔伯特空间模型和神经网络。
-
新的汇聚岭方法优化稀疏数据的函数线性回归
研究人员引入了一种名为汇聚岭估计的新统计方法，以解决离散观测数据函数线性回归的长期挑战。该方法结合了汇聚策略和再生核希尔伯特空间（RKHS）方法，在从稀疏到稠密设计的各种采样密度下实现最优预测风险。该方法适用于标量对函数和函数对函数回归模型，揭示了受采样频率影响的不同相变。
-
新的RKHS框架增强了永久过程模型
研究人员为永久过程模型开发了一个新的框架，该框架包含固定效应。这种扩展允许将永久过程的强度函数分解为固定效应项和再生核希尔伯特空间（RKHS）内的函数。该方法有助于更清晰的科学解释，并更容易地将领域知识整合到估计过程中。
-
为表示复杂度引入新的变分布朗核梯队框架
研究人员引入了变分布朗核梯队（VBKL），一个旨在增强表示复杂度的新型函数空间框架。该框架将字典的递归构造与线性变分叠加分开。VBKL空间被定义为已完成字典的有符号测度变分外壳，其中每个递归字典由布朗回拉RKHS球组成。该研究还建立了变分控制的Hölder正则性，并使用布朗二次混沌和VC熵推导出泛化界。
-
新框架在非凸环境中实现最优和受约束学习
研究人员开发了一个用于非凸环境约束统计学习的新框架，旨在同时实现最优性和约束满足。该方法利用再生核希尔伯特空间内的通用假设类来调和泛化要求与强拉格朗日对偶性。该方法建立了通用的 PACC（在约束条件下可能近似正确）可学性，提供了多项式于所需精度的显式样本复杂度界限。
-
机器学习中条件期望算子新判据
一篇新论文介绍了一个可验证的判据，用于理解条件期望算子（CEOs）和条件均值嵌入（CMEs）。这些概念在非参数回归、贝叶斯逆问题和库普曼算子理论等领域至关重要。研究表明，CEOs的映射性质由条件律的Radon-Nikodym密度的正则性决定。该论文提供了一个简单的条件，以确保CEO是有界的且是Hilbert-Schmidt的，这有助于验证CME表示和估计器的误差界。
-
MoCA框架增强可穿戴设备多模态数据分析
研究人员推出MoCA，一个新颖的自监督学习框架，用于分析来自可穿戴设备的多模态数据。该框架采用Transformer架构结合掩码自编码器原理，利用独特的跨模态掩码策略来利用不同传感器数据流之间的相关性。MoCA旨在通过有效利用未标记的多模态可穿戴设备数据和处理缺失模态来解决数字健康测量中的挑战，例如缺乏金标准标签和数据不完整。该方法在数据重建和下游分类任务中均表现出性能提升。