University of California, San Diego（加州大学圣迭戈分校）

K-Inverse-RFM: A Modified RFM that Bridges the Gap to Neural Networks for Data-Corrupted Mathematical Tasks

K-Inverse-RFM：一种弥合与神经网络差距的改进RFM，用于数据损坏的数学任务

Gil Pasternak

机构 * University of California San Diego（加利福尼亚大学圣迭戈分校） 纠错

AI总结 针对递归特征机在数据损坏场景下性能低于神经网络的问题，提出K-Inverse-RFM，通过对训练标签进行变换，在噪声、复杂表示和类别不平衡数据中提升学习能力，缩小甚至超越与神经网络的性能差距。

Comments Master's thesis, University of California San Diego, 2025