A Unifying View of Multiple Kernel Learning
A Unifying View of Multiple Kernel Learning
复制标题
DOI：
10.1007/978-3-642-15883-4_5
复制
发表时间：
2010-05
期刊：
影响因子：
--
通讯作者：
M. Kloft;U. Rückert;P. Bartlett
中科院分区：
文献类型：
--
作者：
M. Kloft;U. Rückert;P. Bartlett
最近对多核学习的研究已经导致了许多在正则化风险最小化中组合核的方法。所提出的方法包括不同的目标公式和不同的正则化策略。在本文中，我们提出了一个统一的多核学习的优化标准，并展示了如何将现有的配方作为特殊情况。我们还导出了该准则的对偶表示，它适用于一般的光滑优化算法。最后，我们评估多核学习在这个框架中分析使用Rademacher复杂性约束的泛化错误和经验，在一组实验。
Recent research on multiple kernel learning has lead to a number of approaches for combining kernels in regularized risk minimization. The proposed approaches include different formulations of objectives and varying regularization strategies. In this paper we present a unifying optimization criterion for multiple kernel learning and show how existing formulations are subsumed as special cases. We also derive the criterion’s dual representation, which is suitable for general smooth optimization algorithms. Finally, we evaluate multiple kernel learning in this framework analytically using a Rademacher complexity bound on the generalization error and empirically in a set of experiments.