التقريبات المتغيرة المتفرقة هي طرق شائعة لتوسيع نطاق الاستدلال والتعلم في العمليات الغاوسية لمجموعات بيانات أكبر. بالنسبة إلى N نقطة تدريب، يكون الاستدلال الدقيق بتكلفة O(N3)؛ مع وجود M ≪ N من الخصائص، تمتلك الطرق المتغيرة المتفرقة المتقدمة تكلفة O(NM2). مؤخرًا، تم اقتراح طرق باستخدام خصائص أكثر تعقيدًا؛ وهذه تعد بتكلفة O(M3)، مع أداء جيد في المهام منخفضة الأبعاد مثل النمذجة المكانية، لكنها تعمل فقط مع فئة محدودة جدًا من النوى، مستبعدة بعض الأنواع الأكثر استخدامًا. في هذا العمل، نطرح الخصائص الفورية المتكاملة، التي توسع هذه المزايا الأداءية لتشمل فئة واسعة جدًا من دوال التغاير الساكنة. نبرر الطريقة واختيار المعلمات من خلال تحليل التقارب والاستكشاف التجريبي، ونظهر تسريعًا عمليًا في مهام الانحدار المكاني الاصطناعية والحقيقية.
درس Cheema وآخرون (Tue,) هذا السؤال.