一种基于凸优化的多核学新算法

摘要

多核学(MKL)的最优化问题由经验风险、正则项两部分组成，其解的稀疏性取决于正则项中的权值范数。多核学(MKL)通过多种核函数的组合，实现了对多种特征集合的表示，有利于对多源数据的处理。本发明提出的非稀疏多核学，采用凸优化学算法，在组内的核函数采用l₁范数，相当于仅选择最重要的核函数进行组合，以提升稀疏性；在组间采用l₂范数，相当于平等地选择处于不同子空间的核函数，以提高学和预测的精度。这种非稀疏多核学问题采用，Mirro-Descent(MD)方法求解，达到了既提高学精度，又提高学速度的目的。

主权项

发明的一种基于凸优化的多核学习新算法，采用一种凸优化方法，这种方法既能提高多核学习的精度，又能提高多核学习的速度。