https://blog.qife122.com/tags/%E8%81%9A%E7%B1%BB%E7%AE%97%E6%B3%95/ Recent content in 聚类算法 on 办公AI智能小助手 Hugo zh-cn qife Wed, 17 Sep 2025 06:15:46 +0800 https://blog.qife122.com/p/%E8%BF%9E%E7%BB%AD%E7%A9%BA%E9%97%B4%E6%9D%A1%E4%BB%B6%E5%88%86%E5%B8%83%E5%AD%A6%E4%B9%A0%E6%8A%80%E6%9C%AF%E8%A7%A3%E6%9E%90/ Wed, 17 Sep 2025 06:15:46 +0800 https://blog.qife122.com/p/%E8%BF%9E%E7%BB%AD%E7%A9%BA%E9%97%B4%E6%9D%A1%E4%BB%B6%E5%88%86%E5%B8%83%E5%AD%A6%E4%B9%A0%E6%8A%80%E6%9C%AF%E8%A7%A3%E6%9E%90/ <h1 id="学习连续空间上的条件分布">学习连续空间上的条件分布</h1> <p>Cyril Benezet, Ziteng Cheng, Sebastian Jaimungal; 26(105):1−64, 2025.</p> <h2 id="摘要">摘要</h2> <p>研究多维单位盒上条件分布的样本学习方法，允许特征空间和目标空间具有不同维度。方法涉及在特征空间中的不同查询点附近聚类数据，以在目标空间中创建经验测度。采用两种不同的聚类方案：一种基于固定半径球，另一种基于最近邻。建立了两种方法收敛速率的上界，并从这些界限推导出半径和邻居数量的最优配置。建议将最近邻方法纳入神经网络训练，因为实证分析表明其在实践中具有更好的性能。为提高效率，训练过程使用随机二进制空间分割的近似最近邻搜索。此外，采用Sinkhorn算法和稀疏性增强的传输方案。实证结果表明，通过适当设计的结构，神经网络能够局部适应合适的Lipschitz连续性水平。</p>