机构名称：
¥ 1.0
RKHM中监督学习的重要应用是其输入和输出是图像的任务。如果所提出的内核具有特定的参数，则产品结构是卷积，与傅立叶成分的点型相对应。通过将C ∗ - 代数扩展到更大的代数，我们可以享受比卷积更多的一般操作。这使我们能够通过在傅立叶组件之间进行交互来有效地分析图像数据。关于概括结合，我们通过Rademacher复合物理论得出了与RKHS和VVRKHS相同的结合类型。这是我们所知，这是RKHM假设类别的第一个概括。关于与现有方法的联系，我们表明，使用框架，我们可以重建现有方法，例如卷积神经网络（Lecun等，1998）和卷积内核（Mairal等，2014），并进一步概括它们。这一事实意味着我们框架的表示能力超出了现有方法。
在RKHM中学习：c* - 核心机器的代数扭曲
主要关键词
相关文件推荐
