Fugu-MT 論文翻訳(概要): Probability-Generating Function Kernels for Spherical Data

論文の概要: Probability-Generating Function Kernels for Spherical Data

arxiv url: http://arxiv.org/abs/2112.00365v2
Date: Thu, 1 Feb 2024 16:58:01 GMT
ステータス: 処理完了
システム内更新日: 2024-02-02 20:22:59.968151
Title: Probability-Generating Function Kernels for Spherical Data
Title（参考訳）: 球面データに対する確率生成関数カーネル
Authors: Theodore Papamarkou, Alexey Lindo
Abstract要約: PGFカーネルは球面データ解析のための単位超球面上でサポートされている。半パラメトリック学習アルゴリズムを導入し、球面データによるPGFカーネルの利用を可能にする。
参考スコア（独自算出の注目度）: 0.8702432681310401
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Probability-generating function (PGF) kernels are introduced, which constitute a class of kernels supported on the unit hypersphere, for the purposes of spherical data analysis. PGF kernels generalize RBF kernels in the context of spherical data. The properties of PGF kernels are studied. A semi-parametric learning algorithm is introduced to enable the use of PGF kernels with spherical data.
Abstract（参考訳）: 確率生成関数(pgf)カーネルは、球面データ解析の目的で、単位超球面上でサポートされている一連のカーネルを構成する。 PGFカーネルは、球面データの文脈でRBFカーネルを一般化する。 PGF核の性質について研究する。半パラメトリック学習アルゴリズムを導入し、球面データによるPGFカーネルの利用を可能にする。

関連論文リスト

An appointment with Reproducing Kernel Hilbert Space generated by Generalized Gaussian RBF as $L^2-$measure [3.9931474959554496]
Generalized Gaussian Radial Basis Function (RBF) Kernelsは、人工知能と機械学習ルーチンにおいて最も多く採用されているカーネルである。この原稿は、前述の機械学習ルーチンに対する一般化ガウスRBFのカーネルセンスへの応用と、上記の関数との比較を実証している。
論文参考訳（メタデータ） (2023-12-17T12:02:10Z)
An Exact Kernel Equivalence for Finite Classification Models [1.4777718769290527]
我々は、その正確な表現をよく知られたニューラルタンジェントカーネル(NTK)と比較し、NTKに対する近似誤差について議論する。この正確なカーネルを使って、ニューラルネットワークによる予測について、理論的貢献が有益な洞察を提供することを示す。
論文参考訳（メタデータ） (2023-08-01T20:22:53Z)
Random Gegenbauer Features for Scalable Kernel Methods [11.370390549286757]
我々は、GZK(Generalized Zonal Kernels)と呼ばれる新しい、リッチなカーネル関数のクラスを近似する効率的なランダムな特徴を提案する。提案したGZKファミリーは、ゲゲンバウアー級数展開における因子を導入することにより、粒子核を一般化する。提案手法は最近のカーネル近似法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-02-07T19:30:36Z)
Hybrid Random Features [60.116392415715275]
ハイブリッドランダム特徴(HRF)と呼ばれるソフトマックスとガウス核の線形化のための新しいランダム特徴法を提案する。 HRFは、カーネル推定の品質を自動的に適応し、定義された関心領域の最も正確な近似を提供する。
論文参考訳（メタデータ） (2021-10-08T20:22:59Z)
Deformed Explicitly Correlated Gaussians [58.720142291102135]
変形相関ガウス基底関数を導入し、それらの行列要素を算出する。これらの基底関数は非球面ポテンシャルの問題を解くのに使うことができる。
論文参考訳（メタデータ） (2021-08-10T18:23:06Z)
A Note on Optimizing Distributions using Kernel Mean Embeddings [94.96262888797257]
カーネル平均埋め込みは、その無限次元平均埋め込みによる確率測度を表す。カーネルが特徴的である場合、カーネルの総和密度を持つ分布は密度が高いことを示す。有限サンプル設定でそのような分布を最適化するアルゴリズムを提供する。
論文参考訳（メタデータ） (2021-06-18T08:33:45Z)
Taming Nonconvexity in Kernel Feature Selection---Favorable Properties of the Laplace Kernel [77.73399781313893]
カーネルベースの特徴選択の客観的機能を確立することが課題である。非言語最適化に利用可能な勾配に基づくアルゴリズムは、局所ミニマへの収束を保証できるだけである。
論文参考訳（メタデータ） (2021-06-17T11:05:48Z)
Flow-based Kernel Prior with Application to Blind Super-Resolution [143.21527713002354]
カーネル推定は一般にブラインド画像超解像(SR)の鍵となる問題の一つである本稿では,カーネルモデリングのための正規化フローベースカーネルプリレント(fkp)を提案する。合成および実世界の画像の実験により、提案したFKPがカーネル推定精度を大幅に向上することを示した。
論文参考訳（メタデータ） (2021-03-29T22:37:06Z)
A Mean-Field Theory for Learning the Sch\"{o}nberg Measure of Radial Basis Functions [13.503048325896174]
トレーニングサンプルから放射基底関数のシュンベルク積分表現の分布を学習する。スケーリング限界において、ランゲヴィン粒子の経験的測度が、反射的イオ拡散ドリフト過程の法則に収束することを証明する。
論文参考訳（メタデータ） (2020-06-23T21:04:48Z)
Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
多視点問題は潜在変数モデルに直面することができる。高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。両アプローチを単一モデルにマージすることを提案する。
論文参考訳（メタデータ） (2020-06-01T14:25:38Z)
Spectrum Dependent Learning Curves in Kernel Regression and Wide Neural Networks [17.188280334580195]
トレーニングサンプル数の関数として,カーネル回帰の一般化性能に関する解析式を導出する。我々の表現は、トレーニングとニューラルカーネル・タンジェント(NTK)によるカーネル回帰の等価性により、広いニューラルネットワークに適用される。我々は、合成データとMNISTデータセットのシミュレーションを用いて、我々の理論を検証する。
論文参考訳（メタデータ） (2020-02-07T00:03:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。