Epizoda
Orthogonální náhodné funkce
with Ananda Theertha Suresh
Představujeme zajímavé zjišťování související s náhodnými fourierovými funkcemi: nahrazení násobení náhodným Gaussian matice násobením pomocí správně škálované náhodné orthogonální matice výrazně snižuje chybu aproximace jádra. Tuto techniku nazýváme Orthogonální náhodné funkce (ORF) a poskytujeme teoretické a empirické odůvodnění jeho účinnosti. Motivované zjišťováním dále navrhujeme strukturované orthogonální náhodné funkce (SORF), které k urychlení výpočtu používají třídu strukturovaných diskrétních orthogonálních matic. Metoda zkracuje časové náklady z O(d 2) na O(d_log_d) , kde d je velikost dat, s téměř žádným kompromisem v kvalitě aproximace jádra v porovnání s ORF. Experimenty s několika datovými sadami ověřují účinnost ORF a SORF u stávajících metod. Poskytujeme také diskuze o použití stejného typu diskrétní orthogonální struktury pro širší škálu jader a aplikací.
Představujeme zajímavé zjišťování související s náhodnými fourierovými funkcemi: nahrazení násobení náhodným Gaussian matice násobením pomocí správně škálované náhodné orthogonální matice výrazně snižuje chybu aproximace jádra. Tuto techniku nazýváme Orthogonální náhodné funkce (ORF) a poskytujeme teoretické a empirické odůvodnění jeho účinnosti. Motivované zjišťováním dále navrhujeme strukturované orthogonální náhodné funkce (SORF), které k urychlení výpočtu používají třídu strukturovaných diskrétních orthogonálních matic. Metoda zkracuje časové náklady z O(d 2) na O(d_log_d) , kde d je velikost dat, s téměř žádným kompromisem v kvalitě aproximace jádra v porovnání s ORF. Experimenty s několika datovými sadami ověřují účinnost ORF a SORF u stávajících metod. Poskytujeme také diskuze o použití stejného typu diskrétní orthogonální struktury pro širší škálu jader a aplikací.
Chcete se podělit o svůj názor? Tady můžete odeslat problém.