随机特征方法已在各种机器学习任务中获得成功，易于计算，并且具有理论上的精度范围。它们可以作为标准神经网络的替代方法，因为它们可以表示相似的功能空间，而无需进行昂贵的培训。但是，为了准确性，随机特征方法比可训练参数需要更多的测量，从而限制了它们在数据稀缺应用或科学机器学习中的问题中的使用。本文介绍了一种稀疏随机特征方法，该方法利用压缩感知技术学习简约的随机特征模型。我们根据样本数和特征分布为再现内核Hilbert空间中的函数提供逼近误差的统一界限。误差范围会随其他结构条件（例如，坐标稀疏性，光谱的紧凑簇或快速光谱衰减）而改善。我们证明了稀疏随机特征方法在结构良好的功能和应用于科学机器学习任务方面的性能优于浅层网络。



"点击查看英文标题和摘要"