.png){kind=icon}
返回
A compositional kernel model for feature learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.acha.2026.101923.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们研究了一种核岭回归的组成变体，其中预测器应用于输入的坐标加权重定。将此模型表述为变分问题，为研究组成架构中的特征学习提供了可处理的设置。从变量选择的角度，我们展示了如何恢复相关变量同时消除噪声变量。我们证明了当噪声变量服从高斯分布时，全局最小值和稳定点都会丢弃噪声坐标。一个核心发现是，l(1)-型核（如拉普拉斯核）在稳定点能够成功恢复非线性效应的特征，而高斯核仅能恢复线性特征。
Keyword:
Compositional kernel models
Feature learning
Translation-invariant RKHS
Variational analysis
Fourier analysis
Conditionally negative definite kernels
期刊
IF:
3.2
论文数:
127
被引数:
3.9K
机构
引用论文
TIGHT CONDITIONS FOR CONSISTENCY OF VARIABLE SELECTION IN THE CONTEXT OF HIGH DIMENSIONALITY.png)
ANNALS OF STATISTICS
OAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏
Mechanism for feature learning in neural networks and backpropagation-free machine learning models神经网络和无反向传播机器学习模型中的特征学习机制Science
ScienceIF0
PREAI
分享收藏
查看更多内容