Компьютерные науки > Машинное обучение [представлено 2 мая 2025 года (v1), последний раз пересмотрен 27 октября 2026 года (эта версия, v4)] Название: StabelPCA: Distrationly Rafety Learning of Common Facilities из Multi-Source Data Vie View PDF HTML (экспериментальное) Резюме: При обобщении многоисточниковых высокомерных данных основная цель заключается в том, чтобы извлечь низкоразмерные представления, которые позволяют эффективно приблизить оригинальные характеристики различных источников. Такие представления облегчают обнаружение переносимых структур и помогают смягчать систематические отклонения, такие как эффект от партии. Мы внедряем Стабильный анализ основных компонентов (StablePCA) — распределительно надежную основу для построения стабильных скрытых представлений путем максимального увеличения в худшем случае объяснимой разницы по многим источникам. Главная проблема в распространении классического ПХА на многоисточников заключается в неконвентном ограничении рейтинга, которое делает формулу StablePCA проблемой невыпущенной оптимизации. Для решения этой проблемы мы проводим выпуклое расслабление StablePCA и разрабатываем эффективный алгоритм Зеркало-Прокс для разрешения ослабленной проблемы с гарантиями глобального сближения. Поскольку проблема рассредоточенности обычно отличается от первоначальной формулировки, мы далее введем сертификат, зависящий от данных, для оценки того, насколько хорошо алгоритм решает первоначальную невыпущенную проблему и определяет состояние…
Стабил ПКА: Эффективное распределение знаний о совместном представительстве на основе многоисточниковых данных
arXiv:2505.00940v4 Annuales Type: заменить кросс-бюллетень: При обобщении многоисточников высокомерных данных ключевая цель состоит в том, чтобы извлечь низкоразмерные представления, которые позволяют эффективно приблизить оригинальные характеристики к различным источникам. Такие представления облегчают обнаружение переносимых структур и помогают смягчать систематические отклонения, такие как эффект от партии. Мы внедряем Стабильный анализ основных компонентов (StablePCA) — распределительно надежную основу для построения стабильных скрытых представлений путем максимального увеличения в худшем случае объяснимой разницы по многим источникам. Главная проблема в распространении классического ПХА на многоисточников заключается в неконвентном ограничении рейтинга, которое делает формулу StablePCA проблемой невыпущенной оптимизации. Для решения этой проблемы мы проводим выпуклое расслабление StablePCA и разрабатываем эффективный алгоритм Зеркало-Прокс для разрешения ослабленной проблемы с гарантиями глобального сближения. С тех пор, как проблема расслаблена