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

Uložené v:

Podrobná bibliografia
Vydané v:	Theoretical computer science Ročník 558; s. 159 - 178
Hlavní autori:	Warmuth, Manfred K., Kotłowski, Wojciech, Zhou, Shuisheng
Médium:	Journal Article
Jazyk:	English
Vydavateľské údaje:	Elsevier B.V 13.11.2014
Predmet:	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 prístup:	Získať plný text
Tagy:	Pridať tag Žiadne tagy, Buďte prvý, kto otaguje tento záznam!

Buďte prvý, kto okomentuje tento záznam!