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...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Veröffentlicht in:	Theoretical computer science Jg. 558; S. 159 - 178
Hauptverfasser:	Warmuth, Manfred K., Kotłowski, Wojciech, Zhou, Shuisheng
Format:	Journal Article
Sprache:	Englisch
Veröffentlicht:	Elsevier B.V 13.11.2014
Schlagworte:	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
Online-Zugang:	Volltext
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Schreiben Sie den ersten Kommentar!