[發明專利]用于基于內核的機器學習的結構化正交隨機特征

在審

• 申請號: 201780072443.3
• 申請日: 2017-10-26
• 公開（公告）號: CN109997131A
• 公開（公告）日: 2019-07-09
• 發明（設計）人: D.霍爾特曼-賴斯;S.庫馬;X.余;K.M.喬羅曼斯基;A.T.蘇雷什
• 申請（專利權）人: 谷歌有限責任公司
• 主分類號: G06F17/16
• 分類號: G06F17/16;G06K9/00
• 代理公司: 北京市柳沈律師事務所 11105
• 代理人: 邵亞麗

1.一種為基于內核的機器學習系統生成輸入的方法，所述基于內核的機器學習系統使用內核對數據執行分類操作，所述方法包括：

由基于內核的機器學習系統的處理電路生成對角矩陣集合，所述對角矩陣集合中的每一個具有零的非對角元素和具有根據指定的概率分布函數分布的值的對角元素；

由所述處理電路產生正交矩陣集合，所述正交矩陣集合中的每一個具有相互正交的行；

對于對角矩陣集合中的每一個，由所述處理電路形成矩陣對集合，所述矩陣對集合中的每一個包括(i)該對角矩陣，以及(ii)所述正交矩陣集合中的相應正交矩陣；以及

由所述處理電路生成所述矩陣對集合中的每一個的乘積以產生線性變換矩陣，所述線性變換矩陣是由基于內核的機器學習系統使用的內核的無偏估計器。

2.如權利要求1所述的方法，其中，生成所述矩陣對集合中的每一個的乘積包括：對于所述對角矩陣集合中的每一個，將所述相應正交矩陣右乘該對角矩陣。

3.如權利要求1或2所述的方法，其中，產生所述正交矩陣集合包括：生成具有基于所述數據的指定維度的大小的Walsh-Hadamard矩陣作為所述相應正交矩陣。

4.如權利要求3所述的方法，其中，生成所述Walsh-Hadamard矩陣包括：形成具有等于比所述數據的指定維度大的2的最小冪的維度的Walsh-Hadamard矩陣，以及

其中，該方法還包括：通過以下方式將所述線性變換矩陣乘以表示數據的向量：(i)用零附加所述向量以產生零填充向量，所述零填充向量具有等于比所述數據的指定維度大的2的最小冪的長度，(ii)對線性變換矩陣的每一行和零填充向量執行內積計算以產生中間特征向量，以及(iii)從中間特征向量的末端移除元素以產生具有等于所述數據的指定維度的長度的最終特征向量。

5.如權利要求1-4中的任一項所述的方法，其中，所述對角矩陣集合中的每一個的非對角元素中的每一個等于1和-1中的一個。

6.如權利要求5所述的方法，其中，所述對角矩陣集合中的每一個的非對角元素根據Rademacher分布而分布。

7.如權利要求1-6中的任一項所述的方法，其中，所述對角矩陣集合具有至少兩個對角矩陣。

8.一種計算機程序產品，包括非暫時性存儲介質，所述計算機程序產品包括代碼，所述代碼在由聲音渲染計算機的處理電路執行時使所述處理電路執行一種方法，所述聲音渲染計算機被配置為為基于內核的機器學習系統生成輸入，所述基于內核的機器學習系統使用內核對數據執行分類操作，所述方法包括：

生成對角矩陣集合，所述對角矩陣集合中的每一個具有零的非對角元素和具有根據指定的概率分布函數分布的值的對角元素；

產生正交矩陣集合，所述正交矩陣集合中的每一個具有相互正交的行；

對于對角矩陣集合中的每一個，形成矩陣對集合，所述矩陣對集合中的每一個包括(i)該對角矩陣，以及(ii)所述正交矩陣集合中的相應正交矩陣；以及

生成所述矩陣對集合中的每一個的乘積以產生線性變換矩陣，所述線性變換矩陣是由基于內核的機器學習系統使用的內核的無偏估計器。

9.如權利要求8所述的計算機程序產品，其中，生成所述矩陣對集合中的每一個的乘積包括：對于所述對角矩陣集合中的每一個，將所述相應正交矩陣右乘該對角矩陣。

10.如權利要求8或9所述的計算機程序產品，其中，產生所述正交矩陣集合包括：生成具有基于所述數據的指定維度的大小的Walsh-Hadamard矩陣作為所述相應正交矩陣。