图上信号自适应学习方法的高斯核方差
信号处理
2022-04-28 v1 机器学习
摘要
本文讨论了一种特殊但可能强大的算法，称为单核Gradraker（SKG），它是一种自适应学习方法，利用已知节点值和网络结构预测网络中的未知节点值。我们旨在找出在应用该算法时如何配置这种特殊模型。更具体地说，我们聚焦于带有高斯核的SKG，并明确如何为核找到合适的方差。为此，我们引入了两个变量，借助它们我们可以对高斯核的方差设定要求以达到（接近）最优性能，并能更好地理解SKG的工作原理。我们的贡献在于引入了两个变量作为分析工具，说明了在不同高斯核下预测将如何受到影响，并提供了一个算法，在了解训练网络的情况下为SKG寻找合适的高斯核。文中提供了在真实数据集上的仿真结果。
引用
@article{arxiv.2204.12629,
title = {Gaussian Kernel Variance For an Adaptive Learning Method on Signals Over Graphs},
author = {Yue Zhao and Ender Ayanoglu},
journal= {arXiv preprint arXiv:2204.12629},
year = {2022}
}