学习在非正交傅里叶基下稀疏的集合函数
机器学习
2021-05-11 v3 人工智能
离散数学
信号处理
机器学习
摘要
机器学习在离散域上的许多应用，例如推荐系统或拍卖中偏好函数的学习，可归结为估计在傅里叶域稀疏的集合函数。本工作中，我们提出一类学习傅里叶稀疏集合函数的新算法族。在傅里叶系数满足温和条件下，它们至多需要 次查询（集合函数求值），其中 为基集大小， 为非零傅里叶系数个数。与关注正交 Walsh-Hadamard 变换的其他工作不同，我们的新算法基于最近引入的非正交傅里叶变换，其提供了不同的傅里叶稀疏性概念。这些在建模例如形成替代品与互补品的物品集合时自然出现。我们在若干真实世界应用上展示了有效性。
引用
@article{arxiv.2010.00439,
title = {Learning Set Functions that are Sparse in Non-Orthogonal Fourier Bases},
author = {Chris Wendler and Andisheh Amrollahi and Bastian Seifert and Andreas Krause and Markus Püschel},
journal= {arXiv preprint arXiv:2010.00439},
year = {2021}
}