Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "reproducing kernels" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-2 z 2
    Tytuł:
    Notes on unbounded Toeplitz operators in Segal-Bargmann spaces
    Autorzy:
    Cichoń, D.
    Powiązania:
    https://bibliotekanauki.pl/articles/1310937.pdf
    Data publikacji:
    1996
    Wydawca:
    Polska Akademia Nauk. Instytut Matematyczny PAN
    Tematy:
    unbounded operators
    Hilbert spaces of entire functions
    reproducing kernels
    Opis:
    Relations between different extensions of Toeplitz operators $T_φ$ are studied. Additive properties of closed Toeplitz operators are investigated, in particular necessary and sufficient conditions are given and some applications in case of Toeplitz operators with polynomial symbols are indicated.
    Źródło:
    Annales Polonici Mathematici; 1996, 64, 3; 227-235
    0066-2216
    Pojawia się w:
    Annales Polonici Mathematici
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Conditional mean embedding and optimal feature selection via positive definite kernels
    Autorzy:
    Jorgensen, Palle E.T.
    Song, Myung-Sin
    Tiang, James
    Powiązania:
    https://bibliotekanauki.pl/articles/29519641.pdf
    Data publikacji:
    2024
    Wydawca:
    Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
    Tematy:
    positive-definite kernels
    reproducing kernel Hilbert space
    stochastic processes
    frames
    machine learning
    embedding problem
    optimization
    Opis:
    Motivated by applications, we consider new operator-theoretic approaches to conditional mean embedding (CME). Our present results combine a spectral analysis-based optimization scheme with the use of kernels, stochastic processes, and constructive learning algorithms. For initially given non-linear data, we consider optimization-based feature selections. This entails the use of convex sets of kernels in a construction of optimal feature selection via regression algorithms from learning models. Thus, with initial inputs of training data (for a suitable learning algorithm), each choice of a kernel K in turn yields a variety of Hilbert spaces and realizations of features. A novel aspect of our work is the inclusion of a secondary optimization process over a specified convex set of positive definite kernels, resulting in the determination of “optimal” feature representations.
    Źródło:
    Opuscula Mathematica; 2024, 44, 1; 79-103
    1232-9274
    2300-6919
    Pojawia się w:
    Opuscula Mathematica
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-2 z 2

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies