Чи мають матриці ядра RBF погані умови?


10

Я використовую функцію ядра RBF для реалізації одного алгоритму машинного навчання на основі ядра (KLPP), отриманої матриці ядра K

K(i,j)=exp((xixj)2σm2)
показано, що він надзвичайно погано обумовлений. Кількість умов L2-норми приходить 10171064

Чи є спосіб зробити його добре кондиціонованим? Я здогадуюсь, параметрσ потребує налаштування, але я не знаю, як саме.

Дякую!


1
добре, якщо ви зробите σmменший ви покращуєте номер умови.
користувач189035

Відповіді:


11

Зменшення ширини ядра σm зазвичай зменшить номер умови.

Однак матриці ядра можуть стати сингулярними або близькими до сингулярних для будь-якої базової функції або розподілу точок за умови перекриття базових функцій. Причина цього насправді досить проста:

  • Матриця ядра K є одниною, коли її визначальник det(K) дорівнює нулю.
  • Обмін двома очками xi і xj у вашій інтерполяції еквівалентно обміну двома рядами K, припускаючи, що ваші пробні бали залишаються постійними.
  • Поміняючи два ряди в матриці, перемикає знак її визначника.

А тепер уявіть собі вибір двох пунктів xi і xjі повільно обертаючи їх, щоб вони перемикалися місцями. Роблячи це, визначникKперемкне знак, ставши нулем у якийсь момент між ними. У цей моментK за визначенням є одниною.


Хіба не K матриці симетричні - обміняючи двома пунктами, міняючи рядки та стовпці?
denis

@Denis Це лише той випадок, якщо ваші вузли та пробні бали однакові і ви переміщуєте обидва. Ось чому у другій кулі я написав "припускаючи, що ваші пробні бали залишаються постійними".
Педро

матриця ядра гауссів (питання ОП) все-таки позитивно напіввизначена?
деніс

@Denis: Знову ж таки, це питання про те, як ви визначаєте свою проблему інтерполяції RBF. Розглянемо найзагальніший випадок, де у вас єN RBFs зосереджені на балах xi, i=1N, і ви хочете мінімізувати інтерполяцію на M бали ξj, j=1M. Приклад плаката передбачаєM=N і ξj=xi. Якщо ми спочатку встановилиMN і ξjxi, а потім просто перемістіть xi, ми можемо тривіально породжувати однину K.
Педро

3

Пара пропозицій:

  1. Виберіть σсередня відстань | випадковіx - найближчий xi. (Дешеве наближення дляN точки рівномірно розподілені в одиничному кубі в Rd,d 2..5, становить 0,5 / N1/d.)
    Ми хочемоϕ(|xxi|) бути великим для xi біля x, малий для фонового шуму; сюжет, який для кількох випадковихx.

  2. Зміна K від 0, KK+λI, λ106або так; тобто регуляризувати.

  3. Подивіться на ваги від вирішення (K+λI)w=f. Якщо деякі все ще величезні (незалежно від кількості умов), це, як правило, підтверджує Бойда (нижче), що Гауссова RBF є принципово слабкою.

(Однією з альтернатив RBF є зважування на зворотному відстані, IDW. Він має перевагу автоматичного масштабування, однаковий для найближчих відстаней 1 2 3 як для 100 200 300 Також я знаходжу чіткий вибір користувача Nnear, кількість найближчих сусідів, які слід врахувати, чіткіше, ніж пошук в сітці σ,λ .)

Джон П. Бойд, Марність швидких перетворень Гаусса для підсумовування Gaussian радіальної базисної функції серії , говорить

гаусовий інтерполянт RBF погано обумовлений для більшості серій у тому сенсі, що інтерполянт - це невелика різниця термінів з експоненціально великими коефіцієнтами.

Сподіваюся, що це допомагає; будь ласка, поділіться своїм досвідом.

Використовуючи наш веб-сайт, ви визнаєте, що прочитали та зрозуміли наші Політику щодо файлів cookie та Політику конфіденційності.
Licensed under cc by-sa 3.0 with attribution required.