以核傅里叶变换为先验的伪贝叶斯学习
机器学习
2019-03-28 v2 机器学习
摘要
我们通过 PAC-Bayesian 理论的视角重新审视 Rahimi 和 Recht (2007) 的核随机傅里叶特征 (RFF) 方法。虽然 RFF 的主要目标是近似一个核，但我们将傅里叶变换视为三角假设上的先验分布。这自然引出了在这些假设上学习后验分布的思想。我们推导了泛化界，并通过学习由闭式表达式得到的伪后验来优化这些界。基于该研究，我们考虑了两种学习策略：第一种寻找数据的紧凑的基于地标的表示，其中每个地标由分布定制的相似性度量给出；第二种为 Sinha 和 Duchi (2016) 的核对齐方法提供了 PAC-Bayesian 理论依据。
引用
@article{arxiv.1810.12683,
title = {Pseudo-Bayesian Learning with Kernel Fourier Transform as Prior},
author = {Gaël Letarte and Emilie Morvant and Pascal Germain},
journal= {arXiv preprint arXiv:1810.12683},
year = {2019}
}
备注
Published at AISTATS 2019