Resumen

Los algoritmos tradicionales de aprendizaje de variedades, como la incrustación lineal local, Isomap y Laplacian eigenmap, solo proporcionan los resultados de la incrustación de las muestras de entrenamiento. Para resolver el problema de extensión fuera de la muestra, la regresión espectral (SR) resuelve el problema de aprender una función de incrustación estableciendo un marco de regresión, lo que puede evitar la descomposición de valores propios de matrices densas. Motivados por la eficacia de SR, incorporamos el aprendizaje de múltiples núcleos (MKL) en SR para la reducción de dimensionalidad. El enfoque propuesto (llamado MKL-SR) busca una función de incrustación en el Espacio de Hilbert de Kernel Reproductor (RKHS) inducido por los múltiples núcleos base. Se propone un algoritmo MKL-SR para mejorar aún más el rendimiento de la SR basada en núcleos (KSR). Además, el algoritmo MKL-SR propuesto se puede realizar en situaciones supervis

• Materias:Modelado matemático Modelo de red neuronal Tasa de convergencia Aritmética Ondículas libres
• Subjects:Mathematical modeling Neural network model Convergence rate Arithmetic Free wavelets
• Palabras claves:Algoritmos tradicionales de aprendizaje de variedades; Problema de extensión fuera de muestra; Regresión espectral; Aprendizaje de múltiples núcleos; Función de incrustación; Espacio de Hilbert de Núcleo Reproductor
• Keywords:Traditional manifold learning algorithms; Out-of-sample extension problem; Spectral regression; Multiple kernel learning; Embedding function; Reproducing Kernel Hilbert Space