研究者提出eKSVD多数据源核奇异值分解方法

Xinjie Zeng、Qinghua Tao、Johan Suykens 将核奇异值分解（KSVD）扩展至多数据源，提出 eKSVD，可对非对称核进行联合非线性特征学习。 该方法在原问题中联合学习各数据源的投影并引入成对耦合，借助拉格朗日乘子与 KKT 条件，在对偶问题中得到 KSVD 移位特征值问题的推广，并推导出基于协方差的框架，同时用神经网络实现显式特征映射。 数值实验验证了 eKSVD 处理多数据源的效果，以及神经网络为核方法带来的灵活性。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。