Warum sind zufällige Fourier-Merkmale nicht negativ?

Zufällige Fourier-Funktionen liefern Annäherungen an Kernelfunktionen. Sie werden für verschiedene Kernelmethoden wie SVMs und Gaußsche Prozesse verwendet.

Heute habe ich versucht, die TensorFlow-Implementierung zu verwenden, und für die Hälfte meiner Funktionen wurden negative Werte angezeigt . So wie ich es verstehe, sollte dies nicht passieren.

Also ging ich zurück zum Originalpapier , das - wie ich erwartet hatte - besagt, dass die Features in [0,1] leben sollten. Die Erklärung (unten hervorgehoben) macht für mich jedoch keinen Sinn: Die Kosinusfunktion kann überall in [-1,1] Werte erzeugen, und die meisten angezeigten Punkte haben negative Kosinuswerte.

Ich vermisse wahrscheinlich etwas Offensichtliches, würde es aber begrüßen, wenn jemand darauf hinweisen kann, was es ist.

Anscheinend ist der hervorgehobene Satz falsch (oder zumindest verwirrend): kann negativ sein. Dies ist kein Problem, da wir uns nur um das innere Produkt von kümmern , nicht um selbst.$z(x)$ $z$$z$

Das "innere Produkt" von schien nur dann falsch zu sein, wenn ich diese Methode verwendete, weil ich und . Nicht weil falsch war.$z$$z'z$$zz'$$z$