卷积谱核学习
机器学习
2020-03-02 v1 机器学习
摘要
近年来，非平稳谱核因其揭示长程相关性和输入依赖特征方面的强大特征表示能力而备受关注。然而，非平稳谱核仍是浅层模型，因此难以同时学习层次化特征与局部相互依赖关系。本文中，为获取层次化与局部知识，我们基于逆傅里叶变换构建了可解释的卷积谱核网络（\texttt{CSKN}），将深度架构与卷积滤波器引入非平稳谱核表示。此外，基于 Rademacher 复杂度，我们推导了泛化误差界并引入两个正则化项以提升性能。结合这些正则化项与近期随机初始化方面的进展，我们最终完善了 \texttt{CSKN} 的学习框架。在真实数据集上的大量实验结果验证了该学习框架的有效性，并与我们的理论发现相符。
引用
@article{arxiv.2002.12744,
title = {Convolutional Spectral Kernel Learning},
author = {Jian Li and Yong Liu and Weiping Wang},
journal= {arXiv preprint arXiv:2002.12744},
year = {2020}
}