Статистика > Машинное обучение [представлено 22 октября 2026 года] Название: Random Projections for Spectal Algoritms: Оптимальные темпы в Sobolev Нормах Ви PDF HTML (экспериментальное) резюме: Random provisions (RP) предлагает эффективный метод сокращения накладных расходов по расчетам и хранению при сохранении геометрической структуры данных. Вместе с тем в рамках существующих исследований основное внимание уделяется оптимальной обобщенной эффективности конкретных алгоритмов регулирования ядер с ПП в четко определенных условиях и при наличии ограничительных условий. В настоящем документе мы представляем всеобъемлющий и усовершенствованный анализ общих показателей спектральных алгоритмов на основе RP в общих условиях изменения {без ущерба для статистической эффективности}. Используя встроенную собственность воспроизводящего ядра пространства Хилберта (RKHS) и усовершенствованный анализ сходства оператора, мы установим оптимальные показатели обучения по нормам Sobolev, которые соответствуют минимаксным нижним пределам до логарифмических коэффициентов. Для двух общих проектов РП, случайных схем и подвыборки Нистрёма (унифицированного или основанного на использовании рычагов), мы показываем, что прогнозный аспект, необходимый для обеспечения оптимального характера, пропорциональн с учетом среднего или максимального эффективного измерения, который позволяет значительно снизить вычислительные расходы при сохранении статистической эффективности. Наши результаты не основываются на…
Случайные прогнозы для спектральных алгоритмов: оптимальные показатели в нормах Sobolev
arXiv: 261 030,30948v 1 Annualte Type: New Humber: Random Provisions (RP) предлагает эффективный метод сокращения накладных расходов по расчетам и хранению при сохранении геометрической структуры данных. Вместе с тем в рамках существующих исследований основное внимание уделяется оптимальной обобщенной эффективности конкретных алгоритмов регулирования ядер с ПП в четко определенных условиях и при наличии ограничительных условий. В настоящем документе мы представляем всеобъемлющий и усовершенствованный анализ общих показателей спектральных алгоритмов на основе RP в общих условиях изменения {без ущерба для статистической эффективности}. Используя встроенную собственность воспроизводящего ядра пространства Хилберта (RKHS) и усовершенствованный анализ сходства оператора, мы установим оптимальные показатели обучения по нормам Sobolev, которые соответствуют минимаксным нижним пределам до логарифмических коэффициентов. Для двух общих проектов RP, случайных набросок и подвыборки Nystr\ {o}m (унифицированные или основанные на рычагах), мы показываем, что проект