多核學習(MKL)的最優(yōu)化問題由經(jīng)驗風險、正則項兩部分組成,其解的稀疏性取決于正則項中的權(quán)值范數(shù)。多核學習(MKL)通過多種核函數(shù)的組合,實現(xiàn)了對多種特征集合的表示,有利于對多源數(shù)據(jù)的處理。本發(fā)明提出的非稀疏多核學習,采用凸優(yōu)化學習算法,在組內(nèi)的核函數(shù)采用l1范數(shù),相當于僅選擇最重要的核函數(shù)進行組合,以提升稀疏性;在組間采用l2范數(shù),相當于平等地選擇處于不同子空間的核函數(shù),以提高學習和預(yù)測的精度。這種非稀疏多核學習問題采用,Mirro-Descent(MD)方法求解,達到了既提高學習精度,又提高學習速度的目的。
聲明:
“基于凸優(yōu)化的多核學習新算法” 該技術(shù)專利(論文)所有權(quán)利歸屬于技術(shù)(論文)所有人。僅供學習研究,如用于商業(yè)用途,請聯(lián)系該技術(shù)所有人。
我是此專利(論文)的發(fā)明人(作者)