Sur l'échantillonnage rapide du score de levier et l'apprentissage optimal.

Résumé L'échantillonnage par score à effet de levier constitue un moyen attrayant d'effectuer des calculs approximatifs pour les grandes matrices. En effet, il permet de dériver des approximations fidèles avec une complexité adaptée au problème à traiter. Cependant, l'exécution de l'échantillonnage de scores de levier est un défi en soi qui nécessite des approximations supplémentaires. Dans cet article, nous étudions le problème de l'échantillonnage des scores de levier pour les matrices définies positives définies par un noyau. Notre contribution est double. Premièrement, nous fournissons un nouvel algorithme pour l'échantillonnage du score de levier et deuxièmement, nous exploitons la méthode proposée dans l'apprentissage statistique en dérivant un nouveau solveur pour la régression ridge à noyau. Notre principale contribution technique est de montrer que les algorithmes proposés sont actuellement les plus efficaces et les plus précis pour ces problèmes.