Eiji Takimoto;曼弗雷德·沃穆特。 路径内核和乘法更新。 （英语） 兹比尔1083.68592 J.马赫。学习。物件。 4，第5期，773-818（2004）. 摘要：核通常应用于线性算法，其权重向量是示例特征向量的线性组合。这些算法的在线版本有时被称为“附加更新”，因为它们将最后一个特征向量的倍数添加到当前权重向量中。在本文中，我们找到了一种使用特殊卷积核高效实现“乘法”更新的方法。核由有向图定义。每条边都有一个输入。沿着路径的输入形成产品特征，所有这些产品都构建与输入相关联的特征向量。我们在边上也有一组概率，所以每个顶点的流出量是一。然后我们讨论这些图上的乘法更新，其中预测本质上是一个内核计算，更新为每条边贡献一个因子。向边添加因子后，每个顶点的总流出量不再是一个。然而，一些聪明的算法将路径上的权重重新规范化，以便每个顶点的总流出量再次为一。最后，我们证明了如果有向图是由正则表达式构建的，那么这可以用于加快内核和重新规范化计算。我们使用路径核重新构造了大量的乘法更新算法，并表征了我们的方法的适用性。这些例子包括学习析取的有效算法，以及预测串-并行有向图的最佳剪枝的最新算法。 引用于14文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 68兰特 计算机科学中的图论（包括图形绘制） 关键词：内核;乘法更新;在线算法;串行并行有向图 PDF格式BibTeX公司 XML格式引用 \textit{E.Takimoto}和\textit{M.K.Warmuth}，J.Mach。学习。第4号决议，第5号，773--818（2004；Zbl 1083.68592） 全文： DOI程序 链接