Resumen

Se han estudiado ampliamente las extensiones de los métodos kernel para los problemas de desequilibrio de clases. Aunque funcionan bien para hacer frente a los problemas no lineales, los elevados costes de cálculo y de memoria limitan mucho su aplicación a las tareas de desequilibrio del mundo real. El método de Nyström es una técnica eficaz para escalar los métodos kernel. Sin embargo, el método de Nyström estándar necesita muestrear un número suficientemente grande de puntos de referencia para garantizar una aproximación precisa, lo que afecta seriamente a su eficiencia. En este estudio, proponemos un método de Nyström múltiple basado en mezclas de aproximaciones de Nyström para evitar la explosión de la matriz de subnúcleos, mientras que la optimización de los pesos de la mezcla se integra en el proceso de entrenamiento del modelo mediante algoritmos de aprendizaje de núcleos múltiples (MKL) para obtener una aproximación de bajo rango más precisa. Además, seleccionamos subconjuntos de puntos de referencia según la distribución de desequilibrio para reducir la sensibilidad del modelo a la asimetría. También proporcionamos un análisis de estabilidad del núcleo de nuestro método y mostramos que el error de la solución del modelo está limitado por los errores aproximados ponderados, lo que puede ayudarnos a mejorar el proceso de aprendizaje. Amplios experimentos en varios conjuntos de datos a gran escala muestran que nuestro método puede lograr una mayor precisión de clasificación y una dramática aceleración de los algoritmos MKL.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:métodos kernel, métodos nyström, punto de referencia, problema de desequilibrio de clases, error de soluciones del modelo, conjuntos de datos a gran escala, métodos nyström estándar, análisis de estabilidad del kernel, proceso de formación del modelo, mezcla de nyström
• Keywords:kernel methods, nyström methods, landmark point, class imbalance problem, model solutions error, large scale datasets, standard nyström methods, kernel stability analysis, model training process, mixture of nyström