精选理由
这篇论文为核方法注入可解释的线性特征提供了理论保障，做高维数据建模或核方法研究的团队值得关注，尤其适合处理特征显著但残差噪声小的场景。
本文研究条件核岭回归（conditional KRR）的统计性质。该方法将经典线性回归（由函数类F指定特征）与标准KRR应用于残差部分相结合，可视为一种混合学习策略。理论结果表明，条件KRR可简化为使用残差核的标准KRR，代价是测试风险增加O(1/√N)项。当核K正定且F由前k个主特征函数或随机特征构成时，条件KRR优于标准KRR，尤其在回归函数的F分量比残差部分更显著时。实验验证了理论结论。
AI 翻译 · 中文
本文研究条件核岭回归（conditional KRR）的统计性质。该方法将经典线性回归（由函数类F指定特征）与标准KRR应用于残差部分相结合，可视为一种混合学习策略。理论结果表明，条件KRR可简化为使用残差核的标准KRR，代价是测试风险增加O(1/√N)项。当核K正定且F由前k个主特征函数或随机特征构成时，条件KRR优于标准KRR，尤其在回归函数的F分量比残差部分更显著时。实验验证了理论结论。
Conditionally positive definite (CPD) kernels are defined with respect to a function class $\mathcal{F}$. It is well known that such a kernel $K$ is associated with its native space (defined analogously to an RKHS), whic…