Разложение с разветвлением ядер на несколько источников данных

arXiv: 2610,03216v 1 Annuate Type: New Humber: Kernel Singular Value Decomposation (KSVD) учится паре единичных векторов w.r.t. асимметричной матрицы ядра, которая может быть вызвана двумя источниками данных, например запросами и ключами в самонацеливании или рядами и колонками данной матрицы. В этой работе мы распространяем KSVD на многочисленные источники данных, а именно eKSVED, который проводит совместное обучение нелинейным характеристикам на асимметричных ядрах. В первичной формулировке прогнозы, связанные с каждым источником данных, совместно обучаются для получения максимальной информации при одновременном использовании парных соединений. В условиях Лагранжа и Каруш-Кун-Тукера (KKT) оптимизация в двойном режиме ведет к обобщению проблемы изменения эйгенабельности в теореме разложения KSVD на Ланцос. Кроме того, в дополнение к интерпретации и оптимизации на основе ядра формируется система коварианции наряду с использованием нейронных сетей (NN) для четкого картирования характеристик. Числовой экспресс