Kernelization of matrix updates, when and how?

We define what it means for a learning algorithm to be kernelizable in the case when the instances are vectors, asymmetric matrices and symmetric matrices, respectively. We can characterize kernelizability in terms of an invariance of the algorithm to certain orthogonal transformations. If we assume...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Theoretical computer science Ročník 558; s. 159 - 178
Hlavní autoři:	Warmuth, Manfred K., Kotłowski, Wojciech, Zhou, Shuisheng
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Elsevier B.V 13.11.2014
Témata:	Algorithms Asymmetry Exponentiated Gradient algorithm Gradient Descent algorithm Invariance Kernelization Learning Linear prediction Mathematical analysis Multiplicative updates Rotational invariance Transformations Vectors (mathematics) Multiplicative updates Exponentiated Gradient algorithm Gradient Descent algorithm Rotational invariance Kernelization
ISSN:	0304-3975, 1879-2294
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!