通过稀疏傅里叶域学习扩展连续核
机器学习
2024-09-17 v1 机器学习
摘要
我们解决了学习连续核表示中的三个关键挑战：计算效率、参数效率和谱偏差。连续核已显示出巨大潜力，但其实际应用常受限于高计算和内存需求。此外，这些方法容易产生谱偏差，这阻碍了它们捕捉高频细节的能力。为克服这些限制，我们提出了一种利用傅里叶域中稀疏学习的新方法。我们的方法能够高效地扩展连续核，大幅降低计算和内存需求，并通过利用吉布斯现象来减轻谱偏差。
引用
@article{arxiv.2409.09875,
title = {Scaling Continuous Kernels with Sparse Fourier Domain Learning},
author = {Clayton Harper and Luke Wood and Peter Gerstoft and Eric C. Larson},
journal= {arXiv preprint arXiv:2409.09875},
year = {2024}
}