标签
本文提出了一种用于核化图构建的自适应谱带宽控制方法，旨在使核谱性质与内在流形维度对齐，展示了在CIFAR-100上的自监督学习嵌入任务中的改进。
本文开发了NTK-KIP、MetaQuill和MetaQuill-KIP算法，以改善从稀疏观测中重建神经场，使基于神经切向核（NTK）的神经场变得非线性和元可学习，从而实现高效的少样本适应。
本文提出了一种结合神经网络均值与精确Matérn kernel校正的方法，用于偏微分方程中的算子学习，在结构力学和OCO-2辐射传输模拟等公开基准测试中达到了竞争性或改进的性能。
本文介绍了通用编码计算（GCC），一种学习理论框架，用于缓解分布式计算系统中的掉队节点问题，并提供了理论性能保证和在深度神经网络上的实验验证。
论文提出了Frame Kernel Method，这是一种用于PDEs代理建模的新型多尺度算子学习方法。该方法利用核帧近似，并比流行的神经算子达到更高的精度，同时实现多尺度分解。
本文提出了一种基于自由概率核的储备计算确定性超参数选择方法，该方法消除了对资源密集型 rollout 的需求，并以显著更低的成本实现了与穷举搜索相似的性能。
本文提出了一种面向连续敏感属性的公平表示学习的联合分布方法，使用HSIC作为联合差异度量以避免条件密度估计。文章证明了相较于条件路径方法在统计效率上的提升，并介绍了FRHSIC算法，其公平性-准确性权衡相当且训练更快。
本文介绍了NysHD，一种通过Nyström近似将超维计算与核方法桥接起来的方法，允许任何正半定相似性函数用作HDC编码。与现有HDC编码方法相比，它在图数据集和字符串数据集上展示了更高的分类准确率。
本文介绍了K-Inverse-RFM，一种改进的递归特征机器，它弥合了RFM与神经网络在受标签噪声、数据不平衡或替代数据表示影响的数学任务上的性能差距。
介绍了用于从噪声测量中学习动力系统的 Weak-form Kernel Ridge Regression (WKRR) 方法，该方法结合弱形式与核岭回归以滤除噪声并提高精度。该方法在高达64维的混沌基准测试以及15000维的真实流体数据上优于基线方法。
本文介绍了Bernstein–Schur核，这是一类介于平移不变模板和点积模板之间的非平稳核，并通过草图化有限调制和随机化完全单调径向因子，提供了一种随机特征构造方法。该方法能够生成无偏估计量，其算子范数界限由本征维度控制，并且实验在一个有偏核示例上验证了该方法。
本文识别了有界域上高斯过程中边界诱导的采集偏差背后的几何机制，展示了核截断如何独立于目标函数膨胀后验方差并扭曲采集函数。作者引入了一种无函数诊断方法，以量化不同采集类别中的这种偏差。
TorchKM是一个开源的GPU加速核机器库（支持向量机、核逻辑回归等），采用scikit-learn风格的API。通过重用矩阵运算加速训练和模型选择，相比标准基线实现了显著的加速比。
本文介绍了KODA（Kernel Optimization for Discrepancy Analysis，差异分析核优化），一种基于核的框架，用于比较和对齐视觉-语言模型表示，通过识别在CLIP、SigLIP和BLIP等模型中聚类方式不同的样本子集。该方法使用对比嵌入聚类和随机低维近似，能够扩展到大型数据集，同时提供表示之间可解释的结构差异。
本文提出了矩阵补全问题的一种分布性推广，其中每个条目是概率分布而非标量，利用核均值嵌入和Tucker秩来捕捉低秩结构。作者提出了一种新的估计器，并给出了非渐近误差界，通过在合成数据和真实世界数据上的实验证明了该方法的有效性。
来自MIT、华威大学和NVIDIA的研究人员提出了Stein核化分子动力学（SKMD），这是一种增强采样方法，利用相互作用粒子动力学为机器学习原子间势（MLIPs）的主动学习和微调获取信息丰富的训练构型。SKMD是Stein变分梯度下降的随机变体，专为分子动力学进行了适配，在保持Boltzmann分布的同时，以更少的训练迭代次数实现了比基线方法更高的模型精度。
介绍了一种用于非参数工具变量估计的微扰方法，该方法通过高阶修正扩展了核岭回归方法，在高维设置中实现了预测误差高达99%的降低。
提出了Interdomain Attention，一种通过核方法将状态空间模型集成到注意力中的新方法，实现了固定大小状态的高效长上下文建模，并在参数规模达13亿的语言建模实验中超越了SSM和softmax注意力。
本文将对高斯过程和潜在神经过程后验之间的预测KL散度分解为三项，提供了刻画近似误差的上界，并将表示维度与核平滑度联系起来。
本文提出了一种面向小数据场景下植物表型组学分类的混合量子-经典工作流，通过监督潜在重构（PCA+LDA）在量子核对齐前提升几何可分性。实验显示可分性有所提升，但揭示了压缩权衡以及实现强量子性能的困难。