一种将半径信息集成到多核学习中的有效方法

最近关于多核学习(MKL)的工作已经证明了积分半径信息是提高核学习性能的一种有前途的方法。 直接将最小包围球(MEB)的半径直接集成到MKL中,不仅会导致大量的计算开销,而且由于该半径对异常值的敏感性而导致的核学习性能可能受到不利影响。 受MEB半径与总数据散射矩阵轨迹之间关系的启发,本文建议将后者合并到MKL中以改善这种情况。 特别是,为了充分证明合并半径信息的合理性,我们严格遵守支持向量机(SVM)的半径边界,因此重点关注l(2)-范数软边界SVM分类器。 进行了详细的理论分析,以显示所提出的方法如何有效保留结合MEB半径的优点,以及如何有效解决最终的优化问题。 此外,所提出的方法相对于同类方法具有以下优点:1)在存在异常值或嘈杂的训练样本的情况下更健壮; 2)通过避免在每次迭代中计算半径的二次优化来提高计算效率; 3)可以通过现有的现成MKL软件包轻松解决。 在加州大学尔湾分校,蛋白亚细胞定位和Caltech-101数据集上进行了全面的实验,结果很好地证明了我们方法的有效性和效率。