БЛОКИ: Прокалывание ядер сольверов при помощи скетчатого блока предварительного кондиционирования

arXiv: 2610.13382v1 Annualce Type: Cross Brief: Kernel Ridge Regression (KRR) — теоретически звуковой алгоритм для непараметрической учебы, который также часто используется для изучения свойств глубокого обучения. Однако точная формула KRR сопряжена с затратами времени и памяти, которые препятствуют применимости к крупным наборам данных, стимулируя разработку приблизительных решений. Эти алгоритмы опираются на i) итеративные методы во избежание вычислительного бремени прямых решений; ii) схематирование или группирование в целях сокращения масштабов проблемы; и iii) предварительную подготовку, с тем чтобы ускорить сближение. Хотя предварительное кондиционирование имеет решающее значение для быстрой конвергенции, оно сопряжено с расходами на память, которые можно регулировать за счет снижения числа свободных параметров модели, потенциально в ущерб экспрессивности и, следовательно, точности. Чтобы решить эту задачу, мы предлагаем BLOKS — гармонию на основе Gradient для Nystr\ "om-sketed KRR", построенную вокруг нового предварительного устройства, которое сочетает блок Jacobi аппроксимацию с рисунком. В. Экономия