用 K-means 学非线性特征提取器：约束后验与线性分类器耦合
caglar_ee · x · 2026-11-11
作者提出一个思路：可以像神经网络一样，用 K-means 学出一个非线性特征提取器。做法是为输入 xₙ 引入隐藏的连续特征向量 yₙ，并将后验分布 q(yₙ|xₙ) 与线性分类器约束耦合：要求 wᵀEq(yₙ|xₙ)[yₙ]+b≥1 与 wᵀEq(yₙ|xₙ)[yₙ]+b≤−1，即在期望特征空间上施加分类间隔条件。这是一个简洁的聚类+分类联合建模想法。
「研究」频道最新
- MIT/NYU 推出 FLEX：机器人能从一句纠正悟出通用偏好 — JafarNajafov · 2026-11-11
- MIT 推出 WorldParticle：一个模型统一模拟沙、水与蛋白质折叠 — thisdudelikesAI · 2026-11-11
- 补全 4096 组合实测：翻转模型答案只需几个神经元，整个回路并非必需 — Ömer Tekin Yavuz · 2026-11-11
- 中国 ML 论文产能引热议：博士生百篇论文、一周一篇如何炼成？ — Strong_Boy_757 · 2026-11-11
- DeepLearning.AI 推出表格基础模型免费短课,教你构建数据科学 Agent — DeepLearningAI · 2026-11-11
- Google DeepMind Weather 招收明年学生研究员，要求扎实 ML 背景 — LucaAmb · 2026-11-11