多核学习总结.docVIP

此外，多核组合不确定性问题，是多核学习（multiple kernel learning）在实际应用中亟待解决的关键问题。传统方法一般通过半定规划求解，十分耗时，且仅适用于无约束的线性组合结构。 再生核希尔伯特空间(ReproducingKernel Hilbert Space, RKHS)研究是在20世纪40年代开始的。 研究人员大都研究（1）核函数权系数的选择问题。如非平稳的多核学习方法, 局部多核学习方法,非稀疏多核学习方法等（2）多核学习理论。如早期的基于Boosting的多核组合模型学习方法, 基于半定规划(Semideˉnite programming, SDP) 的多核学习方法, 基于二次约束型二次规划(Quadratically constrained quadratic program, QCQP)的学习方法, 基于半无限线性规划(Semi-inˉnitelinear program, SILP)的学习方法, 基于超核(Hyperkernels)的学习方法, 以及近来出现的简单多核学习(Simple MKL)方法和基于分组Lasso思想的多核学习方法。 多核学习的算法流程 多核学习缺点： 尽管多核学习在解决一些异构数据集问题上表现出了非常优秀的性能，但不得不说效率是多核学习发展的最大瓶颈。首先，空间方面，多核学习算法由于需要计算各个核矩阵对应的