📊 statistics

Subsampling for supervised learning in reproducing kernel Hilbert spaces

यह शोध पत्र रिप्रोड्यूसिंग कर्नेल हिल्बर्ट स्पेस में नॉनपैरामीट्रिक सुपरवाइज्ड लर्निंग के लिए एक इष्टतम हॉरविट्ज़-थॉम्पसन रीवेटेड सबसैंपलिंग योजना का प्रस्ताव और विश्लेषण करता है, जो सैद्धांतिक एसिम्प्टोटिक विश्लेषण और अनुभवजन्य सत्यापन दोनों के माध्यम से सांख्यिकीय दक्षता बनाए रखते हुए कम्प्यूटेशनल लागत को कम करने की अपनी क्षमता को प्रदर्शित करता है।

मूल लेखक: Eyal Vayness, Maxime Sangnier

प्रकाशित 2026-06-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Eyal Vayness, Maxime Sangnier

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक शेफ हैं जो एक विशाल भोज के लिए एक आदर्श सूप बनाने की कोशिश कर रहे हैं। आपके पास एक विशाल बर्तन है जिसमें दस लाख सामग्रियां (आपका डेटा) हैं। स्वाद चखने और उसे ठीक करने के लिए, आपको पूरे बर्तन को चलाना होगा। लेकिन इतने बड़े बर्तन को चलाने में बहुत समय लगता है, आपकी सारी ऊर्जा खत्म हो जाती है, और रसोई का तापमान बढ़ जाता है (उच्च कम्प्यूटेशनल लागत और कार्बन फुटप्रिंट)।

पारंपरिक समाधान यह है कि बस पूरे बर्तन को चलाते रहें, इस उम्मीद में कि अंततः आप इसे सही कर लेंगे। दूसरा समाधान यह है कि एक फैंसी ब्लेंडर (Nyström या Random Fourier Features जैसे एप्रोक्सिमेशन मेथड्स) का उपयोग करें ताकि यह अनुमान लगाया जा सके कि सूप का स्वाद कैसा होगा, बिना पूरे बर्तन को चलाए।

यह पेपर एक स्मार्ट, अधिक कुशल रणनीति प्रस्तावित करता है: सबसैंपलिंग (Subsampling)। पूरे बर्तन को चलाने या ब्लेंडर का उपयोग करने के बजाय, आप सावधानीपूर्वक सामग्रियों का एक छोटा, प्रतिनिधि चम्मच चुनते हैं ताकि स्वाद चखा जा सके। बड़ा सवाल यह है कि: आप वह चम्मच कैसे चुनते हैं?

रैंडम चम्मचों (Random Spoonfuls) के साथ समस्या

यदि आप बस एक रैंडम चम्मच उठाते हैं (यूनिफॉर्म सबसैंपलिंग), तो हो सकता है कि आप सबसे महत्वपूर्ण सामग्रियों को छोड़ दें। शायद आप उन दुर्लभ, तीखी मिर्चों को छोड़ दें जो सूप के चरित्र को परिभाषित करती हैं, या आप बहुत अधिक साधारण आलू उठा लें। आप समय तो बचा लेते हैं, लेकिन सूप का स्वाद बिगड़ा हुआ हो सकता है।

पेपर का समाधान: "स्मार्ट टेस्ट-टेस्ट" (The Smart Taste-Test)

लेखक, जो रिप्रोड्यूसिंग कर्नेल हिल्बर्ट स्पेस (RKHS) नामक एक गणितीय ढांचे (सोचिए यह एक बहुत ही परिष्कृत, लचीली रेसिपी बुक है जो जटिल स्वादों को संभाल सकती है) में काम कर रहे हैं, ने सबसे अच्छा चम्मच चुनने का एक तरीका विकसित किया है।

वे इसे L-ऑप्टिमल सबसैंपलिंग (L-optimal subsampling) कहते हैं। यह कैसे काम करता है, यहाँ चरण-दर-चरण दिया गया है:

1. "पायलट" चखने वाला (The Pilot Taster - The Pilot Estimator)

अपना मुख्य चम्मच चुनने से पहले, आपको एक मोटा अंदाजा होना चाहिए कि सूप का स्वाद कैसा होना चाहिए।

उपमा: आप सामग्रियों का एक बहुत छोटा, रैंडम चुटकी भर हिस्सा लेते हैं (एक छोटा पायलट डेटासेट) और एक त्वरित, मोटा अनुमान लगाते हैं कि रेसिपी क्या है। यह आपका "पायलट एस्टिमेटर" है।
पेपर का दावा: इस पायलट को परफेक्ट होने की ज़रूरत नहीं है; इसे बस इतना "अच्छा" होना चाहिए कि यह बता सके कि कौन सी सामग्रियां वर्तमान में कम या अधिक सीजन की गई हैं।

2. "समस्या वाले स्थानों" की पहचान करना (Identifying the "Trouble Spots")

एक बार जब आपके पास एक मोटा अनुमान आ जाता है, तो आप बाकी के दस लाख सामग्रियों को देखते हैं। आप खुद से पूछते हैं: "इनमें से कौन सी सामग्री मेरे अनुमान को सबसे ज्यादा बदल देगी यदि मैं उन्हें चखता हूँ?"

उपमा: यदि आपका मोटा अनुमान कहता है कि सूप बहुत नमकीन है, तो आपको और नमक चखने की ज़रूरत नहीं है। आपको उन सामग्रियों को चखने की ज़रूरत है जो गलत तरीके से प्रेडिक्ट की गई हैं।
- क्लासिफिकेशन (Classification) में (चीजों को श्रेणियों में बांटना, जैसे "बिल्ली" बनाम "कुत्ता"), पेपर कहता है कि आपको उन आइटम्स को चुनना चाहिए जिन्हें उच्च विश्वास (high confidence) के साथ गलत वर्गीकृत (misclassified) किया जा रहा है। ये वे "भ्रमित" डेटा पॉइंट्स हैं जो सबसे अधिक जानकारीपूर्ण हैं।
- रिग्रेशन (Regression) में (किसी नंबर की भविष्यवाणी करना, जैसे घरों की कीमतें), आप उन आइटम्स को चुनते हैं जहाँ आपका प्रेडिक्शन वास्तविक वैल्यू से सबसे दूर है। ये वे "आउटलेयर्स" या "नॉइजी" पॉइंट्स हैं जिनमें सबसे अधिक जानकारी होती है।

3. "स्मार्ट चम्मच" (The Smart Spoon - The Subsampling Scheme)

अपने पायलट अनुमान का उपयोग करके, आप हर एक मिलियन सामग्रियों के लिए एक संभावना (probability) की गणना करते हैं।

उपमा: आप एक वेटेड लॉटरी (weighted lottery) बनाते हैं। जो सामग्रियां "भ्रमित" या "गलत प्रेडिक्ट" की गई हैं, उन्हें एक बहुत बड़ा टिकट (उच्च संभावना) मिलता है। जो सामग्रियां पहले से ही अच्छी तरह से प्रेडिक्ट की जा चुकी हैं, उन्हें एक छोटा टिकट (कम संभावना) मिलता है।
परिणाम: आप एक छोटा चम्मच (मान लीजिए, डेटा का 1%) निकालते हैं। क्योंकि यह वेटेड लॉटरी है, इसलिए आपका छोटा चम्मच सबसे अधिक जानकारीपूर्ण, "परेशान करने वाली" सामग्रियों से भरा होता है। यह एक सुपर-कंसेंट्रेटेड टेस्ट जैसा है।

4. किनारों को स्मूथ करना (Smoothing the Edges)

पेपर स्वीकार करता है कि कभी-कभी गणित कहता है कि "इस एक विशिष्ट सामग्री को 100% समय चुनें," जो कि जोखिम भरा हो सकता है यदि वह सामग्री एक इत्तेफाक हो।

उपमा: वे एक "स्मूथिंग" पैरामीटर (जिसे $\alpha$ कहा जाता है) जोड़ते हैं। यह सुनिश्चित करता है कि भले ही गणित कहे "इस आलू को अनदेखा करें," फिर भी उसे चुने जाने का एक छोटा सा मौका मिले। यह विधि को बहुत अधिक कठोर या अस्थिर होने से रोकता है।

यह अन्य तरीकों से बेहतर क्यों है?

पेपर अपने "स्मार्ट स्पून" मेथड की तुलना तीन अन्य लोकप्रिय तरीकों से करता है जो बड़े डेटा को संभालने के लिए उपयोग किए जाते हैं:

यूनिफॉर्म सबसैंपलिंग (Uniform Subsampling): बस एक रैंडम चम्मच उठाना। (पेपर दिखाता है कि यह कम सटीक है)।
निस्ट्रोम मेथड (Nyström Method): एक लो-रैंक एप्रोक्सिमेशन का उपयोग करना (जैसे सूप की एक धुंधली फोटो)।
रैंडम फूरियर फीचर्स (Random Fourier Features): सूप को एक सरल स्पेस में प्रोजेक्ट करना।
स्केचिंग (Sketching): डेटा को गणितीय रूप से कंप्रेस करना।

निष्कर्ष:

विशाल डेटासेट्स के लिए: जब डेटासेट बहुत बड़ा होता है (जैसे "Covertype" फॉरेस्ट डेटा जिसमें 580,000 रिकॉर्ड्स हैं), तो "स्मार्ट स्पून" मेथड विजेता होता है। यह पूरे बर्तन को चखने जितनी सटीकता प्राप्त करता है, लेकिन बहुत कम समय में।
"स्वीट स्पॉट" (The Sweet Spot): यह विधि तब सबसे अच्छा काम करती है जब आपके पास शुरुआत में बहुत सारा डेटा हो। यदि आपका डेटासेट बहुत छोटा है, तो "पायलट टेस्टर" के पास एक अच्छा गाइड बनाने के लिए पर्याप्त जानकारी नहीं होगी, और एक साधारण रैंडम चम्मच वास्तव में उतना ही तेज़ और अच्छा हो सकता है।
दक्षता (Efficiency): केवल "कठिन" उदाहरणों पर ध्यान केंद्रित करके, यह विधि अंतिम मॉडल की गुणवत्ता से समझौता किए बिना, कंप्यूटेशनल लागत (समय और ऊर्जा) को काफी कम कर देती है।

सारांश

यह पेपर बड़े डेटासेट्स पर AI मॉडल्स को ट्रेन करने का एक तरीका प्रस्तुत करता है, जो डेटा के एक छोटे से हिस्से को बुद्धिमानी से चुनकर किया जाता है। हर डेटा पॉइंट को समान मानने के बजाय, यह एक त्वरित प्रारंभिक अनुमान का उपयोग करके उन "परेशान करने वाले" तत्वों की पहचान करता है—वे डेटा पॉइंट्स जिन्हें प्रेडिक्ट करना सबसे कठिन है। इसके बाद, यह अपनी कंप्यूटिंग पावर को विशेष रूप से इन बिंदुओं पर केंद्रित करता है।

इसे एक टारगेटेड स्टडी गाइड के रूप में सोचें: 1,000 पन्नों की एक टेक्स्टबुक (पूरा डेटासेट) के हर पन्ने को पढ़ने के बजाय, आप एक त्वरित क्विज़ का उपयोग उन अध्यायों को खोजने के लिए करते हैं जिन्हें आप नहीं समझते, और फिर आप केवल उन्हीं विशिष्ट अध्यायों को पढ़ते हैं। आप सामग्री को लगभग उतनी ही अच्छी तरह से सीखते हैं, लेकिन आप उसका एक छोटा सा हिस्सा समय खर्च करते हैं।

तकनीकी सारांश: रिप्रोडसिंग कर्नेल हिल्बर्ट स्पेस (RKHS) में सुपरवाइज्ड लर्निंग के लिए सबसॅम्पलिंग

समस्या विवरण

बिग डेटा के युग में, विशाल डेटासेट पर सांख्यिकीय शिक्षण मॉडल को प्रशिक्षित करने से जुड़ी गणनात्मक लागत और ऊर्जा खपत एक महत्वपूर्ण बाधा बन गई है। जबकि विभिन्न डेटा न्यूनीकरण तकनीकें (जैसे कि स्केचिंग, कोरेट्स, स्टोकेस्टिक ऑप्टिमाइज़ेशन) मौजूद हैं, उनमें से कई या तो कार्य-अज्ञेय (task-agnostic) हैं या इष्टतम चयन के लिए अव्यवहार्य संभावनाओं पर निर्भर करती हैं। विशेष रूप से, नॉनपैरामीट्रिक सुपरवाइज्ड लर्निंग में जहाँ हाइपोथीसिस (hypotheses) एक रिप्रोडसिंग कर्नेल हिल्बर्ट स्पेस (RKHS) में स्थित होते हैं, मौजूदा विधियाँ अक्सर एस्टीमेटर (estimator) की एसिम्प्टोटिक वेरिएंस (asymptotic variance) को कम करने के लिए एक इष्टतम, डेटा-निर्भर सबसॅम्पिंग योजना प्रदान करने में विफल रहती हैं। कर्नेल विधियाँ आमतौर पर मूल डेटासेट आकार $n$ के साथ $O(n^2)$ या $O(nm) $के रूप में खराब स्केल करती हैं, और जबकि सबसॅम्पिंग इसे$ O(s^2) $(जहाँ$ s \ll n$) तक कम कर देती है, मानक यूनिफॉर्म सबसॅम्पिंग व्यक्तिगत डेटा बिंदुओं के सूचनात्मक मूल्य की उपेक्षा करती है, जिससे उप-इष्टतम अनुमान सटीकता (suboptimal estimation precision) प्राप्त होती है।

कार्यप्रणाली (Methodology)

लेखक RKHSs में सबसेंप्ल्ड रिस्क मिनिमाइजेशन (SRM) के लिए एक ढांचा प्रस्तावित करते हैं, जो एम्पिरिकल रिस्क के निष्पक्ष अनुमान को सुनिश्चित करने के लिए हॉरविट्ज़-थॉम्पसन रीवेटिंग स्कीम का उपयोग करता है। मुख्य कार्यप्रणाली में शामिल है:

सैद्धांतिक ढांचा (Theoretical Framework):
- सेटिंग: एक कॉन्वेक्स, टू-डिफरेंशिएबल लॉस फंक्शन $\ell$ और एक रिज पेनल्टी के साथ नॉनपैरामीट्रिक सुपरवाइज्ड लर्निंग (वर्गीकरण और रिग्रेशन)। एस्टीमेटर रेगुलराइज्ड एम्पिरिकल रिस्क को कम करता है।
- सबसॅम्पिंग रणनीतियाँ: पेपर दो रणनीतियों का विश्लेषण करता है:
  - मल्टीनोमियल सबसॅम्पिंग (प्रतिस्थापन के साथ): बिंदु $\pi_{n,i}$ समावेशन संभावनाओं के साथ स्वतंत्र रूप से चुने जाते हैं।
  - पॉइसन सबसॅम्पिंग (बिना प्रतिस्थापन के): बिंदुओं को $s_n \pi_{n,i}$ प्रायिकता के साथ स्वतंत्र रूप से शामिल किया जाता है।
- एसिम्प्टोटिक विश्लेषण: फंक्शनल प्रोबेबिलिटी स्पेस और मार्टिंगेल थ्योरी के उपकरणों का उपयोग करते हुए, लेखक SRM एस्टीमेटर की एसिम्प्टोटिक नॉर्मलिटी स्थापित करते हैं। वे एसिम्प्टोटिक कोवेरिएंस ऑपरेटर $\Sigma^*$ को व्युत्पन्न करते हैं, जो समावेशन संभावनाओं $\pi_{n,i}$ पर निर्भर करता है।
इष्टतम सबसॅम्पिंग योजना (Optimal Subsampling Scheme):
- लेखक L-ऑप्टिमैलिटी को (इनवर्स हेसियन द्वारा प्रीकंडीशन किए गए) एसिम्प्टोटिक कोवेरिएंस ऑपरेटर के ट्रेस को कम करने के रूप में परिभाषित करते हैं।
- वे L-ऑप्टिमल एब्सोल्यूट इंटरेस्ट फंक्शन $\psi^*$ के लिए एक क्लोज्ड-फॉर्म एक्सप्रेशन व्युत्पन्न करते हैं, जो इष्टतम समावेशन संभावनाओं को निर्देशित करता है:
  $\psi^*(z) = |\ell'(h_0(x), y)| \sqrt{k(x, x)}$
  जहाँ $h_0$ वास्तविक रेगुलराइज्ड रिस्क मिनिमाइज़र है, $\ell'$ लॉस का डेरिवेटिव है, और $k$ कर्नेल है।
- इसका तात्पर्य यह है कि जिन डेटा बिंदुओं में उच्च भविष्यवाणी त्रुटि (बड़ा $|\ell'|$ ) या उच्च कर्नेल सेल्फ-सिमिलरिटी हो, उन्हें उच्च संभावना के साथ सैंपल किया जाना चाहिए।
व्यावहारिक कार्यान्वयन (पायलटेड एस्टीमेटर):
- चूंकि $h_0$ $h_{0}$ अज्ञात है, लेखक एक प्लग-इन दृष्टिकोण प्रस्तावित करते हैं:
  1. डेटा के एक छोटे उपसमुच्चय ( $k_n \ll s_n$ ) पर एक पायलट एस्टीमेटर $\hat{h}_{k_n}$ की गणना करें।
  2. इष्टतम संभावनाओं का अनुमान लगाने के लिए $\hat{h}_{k_n}$ का उपयोग करें।
  3. तकनीकी धारणाओं को पूरा करने के लिए (विशेष रूप से, कि वे शून्य की ओर बहुत तेज़ी से अभिसरित न हों) अनुमानित संभावनाओं को एक हाइपरपैरामीटर $\alpha \in (0, 1]$ का उपयोग करके स्मूथ (Smooth) करें:
    $\tilde{\pi}_{n,i}^\alpha = (1-\alpha)\tilde{\pi}_{n,i} + \frac{\alpha}{n}$
  4. पॉइसन सबसॅम्पिंग के लिए, संभावनाओं को वैध ( $\leq 1/s_n$ ) बनाए रखने के लिए पोस्ट-हॉक ट्रंकेशन लागू करें।
- $\alpha$ -पायलटेड एस्टीमेटर के लिए सैद्धांतिक गारंटी (कंसिस्टेंसी और एसिम्प्टोटिक नॉर्मलिटी) प्रदान की गई है।

मुख्य योगदान

RKHS में एसिम्प्टोटिक नॉर्मलिटी: यह पेपर अनंत-आयामी RKHS में सबसेंप्ल्ड एस्टीमेटर्स की एसिम्प्टोटिक नॉर्मलिटी को स्थापित करता है, जो फंक्शनल रैंडम प्रोबेबिलिटी स्पेस तकनीकों और मार्टिंगेल थ्योरी का उपयोग करके अपने पैरामीट्रिक परिणामों से स्वयं को अलग करता है।
इष्टतम योजना का व्युत्पन्न: यह विशेष रूप से नॉनपैरामीट्रिक कर्नेल विधियों के लिए एक इष्टतम सबसॅम्पिंग योजना का पहला व्युत्पन्न प्रदान करता है, जो दिखाता है कि इष्टतम समावेशन संभावना कर्नेल डायगोनल द्वारा भारित लॉस ग्रेडिएंट के परिमाण के समानुपाती है।
रणनीतियों की तुलना: लेखक मल्टीनोमियल और पॉइसन सबसॅम्पिंग के बीच ट्रेड-ऑफ का विश्लेषण करते हैं, यह प्रदर्शित करते हुए कि इष्टतम विकल्प सीमा अनुपात $c = \lim s_n/n$ पर निर्भर करता है। उल्लेखनीय रूप से, रिज रेगुलराइजेशन की उपस्थिति के कारण, दोनों रणनीतियों में $c=0$ पर समान एसिम्प्टोटिक एफिशिएंसी नहीं होती है, जो पैरामीट्रिक सेटिंग्स के निष्कर्षों से भिन्न है।
मजबूत व्यावहारिक एल्गोरिदम: एक दो-चरणीय "पायलटेड" एल्गोरिदम का प्रस्ताव जो पायलट एस्टीमेटर के साथ स्मूथिंग और ट्रंकेशन को जोड़ता है, यह सुनिश्चित करता है कि इष्टतम योजना सांख्यिकीय गारंटी बनाए रखते हुए व्यवहार में लागू करने योग्य है।

परिणाम

सिंथेटिक डेटासेट (वर्गीकरण और रिग्रेशन) और एक वास्तविक दुनिया के डेटासेट (UCI Covertype) पर सिंथेटिक डेटासेट पर प्रयोग किए गए, जिसमें प्रस्तावित $\alpha$ -पायलटेड SRM की तुलना निम्नलिखित से की गई:

यूनिफॉर्म सबसॅम्पिंग (बेसलाइन)।
निस्ट्रोम (Nyström) विधि।
रैंडम फूरियर फीचर्स (RFF)।
कर्नेल स्केचिंग।

निष्कर्ष:

स्मूथिंग पैरामीटर: एक स्मूथिंग पैरामीटर $\alpha$ जो 0.1 और 0.4 के बीच है, यूनिफॉर्म सैंपलिंग की स्थिरता के साथ इष्टतम सबसॅम्पिंग के लाभों को संतुलित करते हुए, सर्वोत्तम जनरलाइजेशन एरर देता है।
लार्ज डेटा रिजीम: बड़े डेटासेट के लिए, प्रस्तावित SRM जनरलाइजेशन एरर और कम्प्यूटेशनल समय (CPU) के बीच के ट्रेड-ऑफ के मामले में यूनिफॉर्म सबसॅम्पिंग से काफी बेहतर प्रदर्शन करता है।
अनुमानों के साथ तुलना: Covertype डेटासेट पर, SRM विधि Nyström, RFF और स्केचिंग की तुलना में अधिक कुशल थी। कम-आयामी कार्यों पर, कर्नेल एप्रोक्सिमेशन (Nyström, RFF) तेज़ थे, जो सुझाव देते हैं कि सबसॅम्पिंग और कर्नेल एप्रोक्सिमेशन पूरक तकनीकें हैं।
हाइब्रिड दृष्टिकोण: सबसॅम्पिंग को निस्ट्रोम विधि के साथ मिलाने से प्रदर्शन में और सुधार हुआ, जो मौजूदा कर्नेल एप्रोक्सिमेशन तकनीकों के साथ इसकी अनुकूलता को दर्शाता है।

महत्व और दावे

यह पेपर दावा करता है कि यह सांख्यिकीय दक्षता से समझौता किए बिना कर्नेल-आधारित लर्निंग के कम्प्यूटेशनल बोझ को कम करने के लिए एक सैद्धांतिक रूप से ठोस और व्यावहारिक रूप से व्यवहार्य विधि प्रदान करता है। एसिम्प्टोटिक कोवेरिएंस ट्रेस के आधार पर एक इष्टतम सबसॅम्पिंग योजना को व्युत्पन्न करके, लेखक बड़े डेटासेट से "सूचनात्मक" व्यक्तियों को निकालने का एक तरीका प्रदान करते हैं।

लेखक अपने कार्य को ऊर्जा-कुशल लर्निंग की दिशा में एक कदम के रूप में विनम्रतापूर्वक प्रस्तुत करते हैं, यह नोट करते हुए कि हालांकि यह विधि अनुकूलन समस्या के आकार को $O(n^2)$ से $O(s^2)$ तक कम करती है, यह एक पायलट एस्टीमेटर पर निर्भर है। वे स्वीकार करते हैं कि सिद्धांत वर्तमान में रेगुलराइज्ड रिस्क पर आधारित है, और गैर-रेगुलराइज्ड सेटिंग्स में इसे विस्तारित करना या मल्टी-स्टेज ऑनलाइन प्रक्रियाओं को विकसित करना भविष्य के अनुसंधान के लिए संभावित दिशाएं हैं। उनका कार्य स्वयं को इस तथ्य से अलग करता है कि यह विशिष्ट नॉनपैरामीट्रिक RKHS चुनौतियों को संबोधित करता है, जिन्हें मौजूदा पैरामीट्रिक सबसॅम्पिंग सिद्धांत पूरी तरह से कवर नहीं करते हैं।

रैंडम चम्मचों (Random Spoonfuls) के साथ समस्या

पेपर का समाधान: "स्मार्ट टेस्ट-टेस्ट" (The Smart Taste-Test)

1. "पायलट" चखने वाला (The Pilot Taster - The Pilot Estimator)

2. "समस्या वाले स्थानों" की पहचान करना (Identifying the "Trouble Spots")

3. "स्मार्ट चम्मच" (The Smart Spoon - The Subsampling Scheme)

4. किनारों को स्मूथ करना (Smoothing the Edges)

यह अन्य तरीकों से बेहतर क्यों है?

सारांश

तकनीकी सारांश: रिप्रोडसिंग कर्नेल हिल्बर्ट स्पेस (RKHS) में सुपरवाइज्ड लर्निंग के लिए सबसॅम्पलिंग

समस्या विवरण

कार्यप्रणाली (Methodology)

मुख्य योगदान

परिणाम

महत्व और दावे

इसी तरह के और पेपर