基于支持向量机泛化误差界的多核学习方法
基于支持向量机(SVM)泛化误差界,提出了一种精确且有效的多核学习方法.首先,应用SVM泛化误差界推导多核学习优化形式,并给出求解其目标函数微分的计算公式.然后,设计高效的迭代算法来求解该优化问题.最后,分析了算法的时间复杂度,并基于Rademacher复杂度给出了算法的泛化误差界,该泛化界在基核个数很大时依然有效.在标准数据集上的实验表明,相对于一致组合方法以及当前流行的单核和多核学习方法,所提出的方法具有较高的准确率.
多核学习、泛化误差界、半径间隔界、张成界
58
TP181(自动化基础理论)
国家自然科学基金61070044;天津市自然科学基金11JCYBJC00700
2012-06-02(万方平台首次上网日期,不代表论文的发表时间)
共8页
149-156