- Приближение Нистрема с неотрицательной матричной факторизацией (arXiv)
Автор : Юнцюань Фу
Аннотация: Руководствуясь необходимостью оценки кластеризации по близости с частичными измерениями расстояния от точек наблюдения или ориентиров для удаленных сетевых систем, мы показываем, что задача кластеризации по близости может быть эффективно сформулирована как задача аппроксимации Нистрема, которая решает кластеризацию ядра K-средних. проблема в сложном пространстве. Мы реализуем аппроксимацию Нистрема на основе известного процесса неотрицательной матричной факторизации (NMF). Результаты оценки показывают, что предлагаемый метод обеспечивает почти оптимальное качество кластеризации как на синтетических, так и на реальных наборах данных, поскольку мы варьируем диапазон выбора параметров и сетевых условий.
2. Глубокие сети с адаптивным приближением Нистрёма (arXiv)
Автор: Люк Жифон, Стефан Аяш, Тьерри Артьер, Ашем Кадри.
Аннотация: Недавняя работа была сосредоточена на объединении методов ядра и глубокого обучения, чтобы использовать лучшее из двух подходов. Здесь мы представляем новую архитектуру нейронных сетей, в которой мы заменяем верхние плотные слои стандартных сверточных архитектур аппроксимацией функции ядра, полагаясь на аппроксимацию Нюстрема. Наш подход прост и очень гибок. Он совместим с любой функцией ядра и позволяет использовать несколько ядер. Мы показываем, что наша архитектура имеет ту же производительность, что и стандартная архитектура, на таких наборах данных, как SVHN и CIFAR100. Одно из преимуществ этого метода заключается в ограниченном количестве обучаемых параметров, что делает его особенно подходящим для небольших обучающих наборов, например. от 5 до 20 образцов на класс
