基于内核的模型，例如内核脊回归和高斯工艺在机器学习应用程序中无处不在，用于回归和优化。众所周知，基于内核的模型的主要缺点是高计算成本。给定$ n $样本的数据集，成本增长为$ \ Mathcal {o}（n^3）$。在某些情况下，现有的稀疏近似方法可以大大降低计算成本，从而有效地将实际成本降低到$ \ natercal {o}（n）$。尽管取得了显着的经验成功，但由于近似值而导致的误差的分析范围的现有结果仍然存在显着差距。在这项工作中，我们为NyStr \“ Om方法和稀疏变分高斯过程近似方法提供新颖的置信区间，我们使用模型的近似（代理）后差解释来建立这些方法。我们的置信区间可改善性能。回归和优化问题的界限。
translated by 谷歌翻译
交叉的布兰斯提供了一种有用的机制，以构建具有各种所需特性的串理论的粒子物理模型。这种模型的景观可能是巨大的，并且朝着最具现象学上有趣的地区导航可能具有挑战性。机器学习技术可用于有效地构建大量一致和现象学上所需的模型。在这项工作中，我们将在遗传算法方面进行遗传算法找到一致的相交D-Brane模型的问题，这模仿自然选择以统称地扩展到最佳解决方案。对于四维$ {\ cal n} = 1 $超对对称类型的IIa Orientifold与交叉D6-Branes，我们证明$ \ Mathcal {O}（10 ^ 6）$唯一，可以轻松构建完全一致的型号， ，通过明智地选择搜索环境和超参数，$ \ mathcal {o}（30 \％）$的发现模型包含所需的标准模型计量组因子。具有相当大的样本使我们能够利用和没有限制具有标准模型计因子的术语围绕Brane模型的一些初步横向统计。
translated by 谷歌翻译