اکسپرس 24
ترجمه فارسی مقاله بهره‌برداری از ساختارهای هنکل-توپلیتز برای محاسبه سریع ماتریس‌های دقت هسته

ترجمه فارسی مقاله بهره‌برداری از ساختارهای هنکل-توپلیتز برای محاسبه سریع ماتریس‌های دقت هسته

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Exploiting Hankel-Toeplitz Structures for Fast Computation of Kernel Precision Matrices
عنوان مقاله به فارسی بهره‌برداری از ساختارهای هنکل-توپلیتز برای محاسبه سریع ماتریس‌های دقت هسته
نویسندگان Frida Viset, Anton Kullberg, Frederiek Wesel, Arno Solin
فرمت مقاله انگلیسی PDF
تعداد صفحات 21
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 5 August, 2024; originally announced August 2024. , Comments: Published in Transactions on Machine Learning (TMLR) July 2024
توضیحات به فارسی ارسال شده در 5 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: منتشر شده در معاملات مربوط به یادگیری ماشین (TMLR) ژوئیه 2024

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 840,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

The Hilbert-space Gaussian Process (HGP) approach offers a hyperparameter-independent basis function approximation for speeding up Gaussian Process (GP) inference by projecting the GP onto M basis functions. These properties result in a favorable data-independent $mathcal{O}(M^3)$ computational complexity during hyperparameter optimization but require a dominating one-time precomputation of the precision matrix costing $mathcal{O}(NM^2)$ operations. In this paper, we lower this dominating computational complexity to $mathcal{O}(NM)$ with no additional approximations. We can do this because we realize that the precision matrix can be split into a sum of Hankel-Toeplitz matrices, each having $mathcal{O}(M)$ unique entries. Based on this realization we propose computing only these unique entries at $mathcal{O}(NM)$ costs. Further, we develop two theorems that prescribe sufficient conditions for the complexity reduction to hold generally for a wide range of other approximate GP models, such as the Variational Fourier Feature (VFF) approach. The two theorems do this with no assumptions on the data and no additional approximations of the GP models themselves. Thus, our contribution provides a pure speed-up of several existing, widely used, GP approximations, without further approximations.

چکیده به فارسی (ترجمه ماشینی)

رویکرد فرآیند گاوسی هیلبرت-اسپای (HGP) یک عملکرد پایه مستقل از هیپرپارامتر را برای سرعت بخشیدن به استنتاج فرآیند گاوسی (GP) با پیش بینی GP بر روی عملکردهای پایه ارائه می دهد.این خصوصیات منجر به یک داده مطلوب و مستقل از داده mathcal {o} (m^3) $ پیچیدگی محاسباتی در هنگام بهینه سازی هایپرپارامتر می شود اما نیاز به یک پیش فرض یک بار غالب ماتریس دقیق دارد که دارای هزینه $ mathcal {o} (nm^2) استعملیات $در این مقاله ، ما این پیچیدگی محاسباتی غالب را به $ Mathcal {O} (NM) $ بدون تقریب اضافی کاهش می دهیم.ما می توانیم این کار را انجام دهیم زیرا می دانیم که ماتریس دقیق را می توان به مجموعه ای از ماتریس های Hankel-Toeplitz تقسیم کرد که هر کدام دارای $ Mathcal {O} (M) $ ورودی های منحصر به فرد هستند.بر اساس این تحقق ، ما فقط محاسبات این ورودی های منحصر به فرد را با هزینه Mathcal {o} (nm) $ پیشنهاد می کنیم.علاوه بر این ، ما دو قضیه ایجاد می کنیم که شرایط کافی را برای کاهش پیچیدگی تجویز می کنند تا به طور کلی برای طیف گسترده ای از سایر مدلهای GP تقریبی ، مانند رویکرد ویژگی فوریه (VFF) متغیر باشد.این دو قضیه این کار را بدون هیچ گونه فرضیه ای در مورد داده ها انجام می دهند و هیچ تقریب اضافی از خود مدل های GP وجود ندارد.بنابراین ، سهم ما سرعت خالص از چندین تقریب GP موجود ، به طور گسترده ، بدون تقریب بیشتر را فراهم می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.