穆罕默德·哥宁;阿尔帕伊德恩,埃塞姆 多核学习的本地化算法。 (英语) Zbl 1254.68204号 模式识别 46,编号3,795-807(2013). 摘要:多核学习(MKL)不是选择单个核,而是使用核的加权和,其中每个核的权重在训练期间得到优化。这些方法在整个输入空间中为核赋予相同的权重,我们讨论了由基于核的学习算法和参数选通模型组成的局部多核学习(LMKL),以将局部权重分配给核函数。使用两步交替优化算法以耦合方式训练这两个分量。对基准分类和回归数据集的实证结果验证了该方法的适用性。我们发现,在不同特征表示的分类问题上,LMKL比标准MKL具有更高的精度。LMKL还可以使用门控模型作为图像识别问题中的显著性检测器来识别图像的相关部分。在回归任务中,LMKL通过存储更少的支持向量显著提高了性能或降低了模型复杂性。 引用于15文件 MSC公司: 68T05型 人工智能中的学习和自适应系统 关键词:多核学习;支持向量机;支持向量回归;分类;回归,回归;选择性注意 软件:简单MKL PDF格式BibTeX公司 XML格式引用 \textit{M.Gönen}和\textit{E.Alpaydñn},模式识别46,第3期,795--807(2013;Zbl 1254.68204) 全文: 内政部