.png){kind=icon}
返回
Efficient scalable deep kernels: unifying deep learning and nonparametric methods for large-scale data analysis
.png){kind=icon}
PRE
AI
DOI：10.1007/s13198-025-02928-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种可扩展的深度核学习方法，通过整合深度学习的结构优势与核方法的灵活性。我们的方法采用具有线性激活函数的深度神经网络（DNN）以及基于相关输入谱组合的可扩展核设计。为进一步提升可扩展性，我们引入了局部核插值、诱导点等技术，以及Kronecker和Toeplitz矩阵等代数结构。这些组件实现了高效的核计算，使其适用于大规模数据集。我们在高斯过程框架内利用边缘似然函数联合优化核和DNN参数，该方式支持高效训练与推理。该方法在包含n个数据点的大规模数据集上实现O(n)复杂度，个体预测为O(1)复杂度，从而克服了传统高斯过程通常具有O(n²)计算成本的局限性。我们的方法在各类回归任务上进行了评估，包括UCI仓库数据集、面部块方向检测以及手写数字幅度提取等。结果表明，所提方法在精度上优于传统高斯过程和深度神经网络，且未显著增加计算成本。
Keyword:
Deep kernel learning model
Scalable deep kernels
Gaussian processes
Nonparametric methods
Large-scale data analysis
Marginal likelihood
Spectral combination
期刊
I
IF:
1.4
论文数:
370
被引数:
3.0K
机构
暂无机构信息
引用论文
分享收藏
分享收藏Gradient-based learning applied to document recognition基于梯度的学习在文档识别中的应用.png)
PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏分享收藏
查看更多内容