摘要
讨论了基于惩罚经验风险最小化的多核学习问题。复杂性惩罚由经验决定L（左）2范数和由核诱导的再生核希尔伯特空间（RKHS）范数以及数据驱动的正则化参数选择。主要关注的是当内核总数很大时，但只需要相对较少的内核来表示目标函数，因此问题很稀疏。其目标是建立预测规则超额风险的预言不等式，表明该方法既适用于未知设计分布，也适用于问题的稀疏性。
引用
下载引文
弗拉基米尔·科尔钦斯基。
明远。
“多内核学习中的稀疏性。”
安。统计师。
38
(6)
3660 - 3695,
2010年12月。
https://doi.org/10.1214/10-AOS825
问询处
出版日期：2010年12月
首次在欧几里得项目中提供：2010年11月30日
数字对象标识符：10.1214/10-AOS825
学科：
主要用户：2012年12月62日，62G08号
次要：62J07型
关键词：高维性，多核学习，Oracle不平等，再生核Hilbert空间，限制等距，稀疏度
版权所有©2010数学统计研究所
