-
题名通用稀疏多核学习
被引量：3
- 1
-
-
作者
张仁峰
吴小俊
陈素根
-
机构
江南大学物联网工程学院
安庆师范学院数学与计算科学学院
-
出处
《计算机应用研究》
CSCD
北大核心
2016年第1期21-27,共7页
-
基金
国家自然科学基金资助项目(61373055
61103128)
+1 种基金
"111"引智计划资助项目(B12018)
高等学校博士学科点专项科研基金资助项目(20130093110009)
-
文摘
针对L_1范数多核学习方法产生核权重的稀疏解时可能会导致有用信息的丢失和泛化性能退化、L_p范数多核学习方法产生核权重的非稀疏解时会产生很多冗余信息并对噪声敏感,提出了一种通用稀疏多核学习方法。该算法是基于L__1范数和L_p范数(p>1)混合的网状正则化多核学习方法,不仅能灵活地调整稀疏性,而且鼓励核权重的组效应,L_1范数和L_p范数多核学习方法可以认为是该方法的特例。该方法引进的混合约束为非线性约束,对此约束采用二阶泰勒展开式近似,并使用半无限规划来求解该优化问题。实验结果表明,改进后的方法在动态调整稀疏性的前提下能获得较好的分类性能,同时也支持组效应,从而验证了改进后的方法是有效可行的。
-
关键词
多核学习方法
稀疏性
组效应
分类
-
Keywords
multiple kernel learning （MKL）
sparsity
grouping effect
classification
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
