Resumen

En el aprendizaje automático basado en trucos de núcleo, la gente suele poner una variable de una función de núcleo en las muestras dadas para producir las funciones básicas de un espacio de solución de un problema de aprendizaje. Si la colección de las muestras dadas se desvía de la distribución de datos, el espacio de solución abarcado por estas funciones básicas también se desviará del espacio de solución real del problema de aprendizaje. En este trabajo se propone un algoritmo de aprendizaje multikernel basado en la distribución de probabilidad de los datos (MKDPD), en el que los parámetros de una función kernel se ajustan localmente de acuerdo con la distribución de probabilidad de los datos, y así se producen diferentes funciones kernel. Estas diferentes funciones de núcleo generarán diferentes Espacios de Hilbert de Núcleo Reproducible (RKHS). La suma directa de los subespacios de estos RKHS constituye el espacio de solución del problema de aprendizaje. Además, basándose en el algoritmo MKDPD propuesto, se propone un nuevo algoritmo para etiquetar nuevos datos, en el que las funciones básicas se reentrenan de acuerdo con los nuevos datos, mientras que los coeficientes de las funciones básicas reentrenadas permanecen inalterados para etiquetar los nuevos datos. Los resultados experimentales presentados en este artículo demuestran la eficacia de los algoritmos propuestos.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Aprendizaje automático; trucos de núcleo; función de núcleo; espacio de soluciones; distribución de probabilidad de datos; reproducción de espacios de Hilbert de núcleo
• Keywords:Machine learning; kernel tricks; kernel function; solution space; data probability distribution; Reproducing Kernel Hilbert Spaces