| عنوان مقاله به انگلیسی | Efficient Numerical Integration in Reproducing Kernel Hilbert Spaces via Leverage Scores Sampling |
| عنوان مقاله به فارسی | مقاله ادغام عددی کارآمد در بازتولید فضاهای هسته هیلبرت از طریق نمونه گیری امتیازات اهرم |
| نویسندگان | Antoine Chatalic, Nicolas Schreuder, Ernesto De Vito, Lorenzo Rosasco |
| زبان مقاله | انگلیسی |
| فرمت مقاله: | |
| تعداد صفحات | 0 |
| دسته بندی موضوعات | Machine Learning,Machine Learning,Numerical Analysis,یادگیری ماشین , یادگیری ماشین , تجزیه و تحلیل عددی , |
| توضیحات | Submitted 22 November, 2023; originally announced November 2023. , Comments: 46 pages, 5 figures. Submitted to JMLR |
| توضیحات به فارسی | ارسال شده 22 نوامبر 2023 ؛در ابتدا نوامبر 2023 اعلام شد ، نظرات: 46 صفحه ، 5 شکل.ارسال شده به JMLR |
چکیده
In this work we consider the problem of numerical integration, i.e., approximating integrals with respect to a target probability measure using only pointwise evaluations of the integrand. We focus on the setting in which the target distribution is only accessible through a set of $n$ i.i.d. observations, and the integrand belongs to a reproducing kernel Hilbert space. We propose an efficient procedure which exploits a small i.i.d. random subset of $m در این کار مسئله ادغام عددی را در نظر می گیریم ، یعنی تقریب یکپارچها با توجه به یک اندازه گیری احتمال هدف با استفاده از فقط ارزیابی های نقطه ای از یکپارچه.ما بر روی تنظیماتی که توزیع هدف فقط از طریق مجموعه ای از $ n $ i.i.d قابل دسترسی است ، تمرکز می کنیم.مشاهدات ، و انتگرال متعلق به یک فضای هسته ای هیلبرت است.ما یک روش کارآمد را پیشنهاد می کنیم که از II.D. کوچک بهره برداری می کند.زیر مجموعه تصادفی از نمونه های $ M چکیده به فارسی (ترجمه ماشینی)


نقد و بررسیها
هنوز بررسیای ثبت نشده است.