智能AI
morning
FlashDiffusion：融合平铺内核光谱分解
摘要
arXiv:2609.38198v1 Announce Type: new Abstract: Diffusion maps, and kernel methods more generally, provide an interpretable nonlinear spectral representation basis for geometric learning. In the geome...
and
the
kernel
spectral
geometric
bandwidth
dense
Gaussian
that
sample
2026-10-01
1 阅读
约1分钟阅读
Julio Candanedo
字号:
arXiv:2609.38198v1 公告类型：新 摘要：扩散图和更一般的核方法为几何学习提供了可解释的非线性谱表示基础。在几何限制、小带宽下，这些矩阵往往是高阶的，因此需要实现密集高斯核需要 $O(N^2)$ 内存。我们引入了 FlashDiffusion，这是一种无矩阵方法，可评估融合 GPU 块中的密集高斯核块，并将特征求解器与选择有限样本分辨率尺度的经验 $\beta$ 流耦合起来。样本大小和带宽的连续性会从较粗糙的分辨率中热启动越来越昂贵的光谱求解。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱