La optimalidad de la aproximación y el aprendizaje mediante los algoritmos super codiciosos puros reescalados
Autores: Zhang, Wenhui; Ye, Peixin; Xing, Shuo; Xu, Xu
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
La optimalidad de la aproximación y el aprendizaje mediante los algoritmos super codiciosos puros reescalados
Categoría
Matemáticas
Subcategoría
Análisis matemático
Palabras clave
Algoritmo
Tasa de convergencia
Diccionario
Aprendizaje supervisado
Aproximación
Basado en núcleos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 19
Citaciones: Sin citaciones
Proponemos el Algoritmo Codicioso Súper Puro Débilmente Reescalado (WRPSGA) para aproximación con respecto a un diccionario en un espacio de Hilbert. El WRPSGA es más simple que algunos algoritmos codiciosos populares. Mostramos que la tasa de convergencia del RPSGA en el cierre de la envoltura convexa del diccionario -coherente es óptima. Luego, diseñamos el Algoritmo de Aprendizaje Codicioso Súper Puro Reescalado (RPSGLA) para el aprendizaje supervisado basado en núcleos. Demostramos que la tasa de convergencia del RPSGLA puede ser arbitrariamente cercana a la mejor tasa bajo algunas suposiciones moderadas.
Descripción
Proponemos el Algoritmo Codicioso Súper Puro Débilmente Reescalado (WRPSGA) para aproximación con respecto a un diccionario en un espacio de Hilbert. El WRPSGA es más simple que algunos algoritmos codiciosos populares. Mostramos que la tasa de convergencia del RPSGA en el cierre de la envoltura convexa del diccionario -coherente es óptima. Luego, diseñamos el Algoritmo de Aprendizaje Codicioso Súper Puro Reescalado (RPSGLA) para el aprendizaje supervisado basado en núcleos. Demostramos que la tasa de convergencia del RPSGLA puede ser arbitrariamente cercana a la mejor tasa bajo algunas suposiciones moderadas.