通过双层核机器的特征理解与稀疏性增强（2L-FUSE）
数值分析
2025-09-10 v1 太阳与恒星天体物理
数值分析
机器学习
摘要
我们提出了一种基于双层核机器学习数据自适应核度量（即形状矩阵）的新型稀疏性增强策略，用于回归任务。所得形状矩阵定义了输入空间的马氏型变形，随后通过特征分解进行因子化，从而识别特征空间中最具信息量的方向。这种数据驱动的方法提供了一种灵活、可解释且精确的特征约简方案。在合成数据和地磁暴真实数据集上的数值实验表明，我们的方法在保持预测性能的同时实现了最小但极具信息量的特征集。
引用
@article{arxiv.2509.07806,
title = {Feature Understanding and Sparsity Enhancement via 2-Layered kernel machines (2L-FUSE)},
author = {Fabiana Camattari and Sabrina Guastavino and Francesco Marchetti and Emma Perracchione},
journal= {arXiv preprint arXiv:2509.07806},
year = {2025}
}