Повторное изучение методов тонирования для проблем с обучением ядер

arXiv: 2609.07432v1 Annuales Type: New Habritary: Methods Kernel широко используется в силу их прочных теоретических гарантий и эмпирических результатов. Однако высокие вычислительные издержки ограничивают их применимость к крупномасштабным наборам данных. Для устранения этого недостатка в нескольких подходах используется максимальная средняя диспропорция для построения репрезентативных подмножеств, которые сохраняют свойства полного набора данных в регенерационном пространстве Кернел Хилберт. Мы введем "Отсталый Кернел Хердинг", алгоритм, который решает эту проблему путем итеративного удаления точек из набора данных, достижения результатов, сопоставимых с современными подходами при ускорении процесса подвыборки в реалистичных сценариях, где сокращенный размер составляет менее половины набора данных. Кроме того, мы преодолели ограничение ярнелового тонинга, предложив расширение, которое позволит построить подмножество произвольных размеров, а не ограничивающее поэтапные сокращения. И наконец, мы проводим обширную экспериментальную ком