Resumen

Utilizando funciones de núcleo, las máquinas de vectores de apoyo (SVM) resuelven con éxito los problemas linealmente inseparables. Posteriormente, sus áreas de aplicación se han ampliado enormemente. El uso de múltiples núcleos (MK) para mejorar la precisión de la clasificación de las SVM ha sido un tema candente en la sociedad de investigación de las SVM durante varios años. Sin embargo, la mayoría de los métodos de aprendizaje de MK (MKL) emplean la restricción de la norma L1 en los pesos de la combinación del kernel, que forma una solución escasa pero no lisa para los pesos del kernel. Como alternativa, la restricción de la norma Lp en los pesos del núcleo mantiene toda la información en los núcleos base. Sin embargo, la solución de la restricción Lp-norma MKL no es escasa y es sensible al ruido. Recientemente, algunos investigadores han presentado un método eficiente de MKL generalizado disperso (GMKL basado en las normas L1 y L2), en el que L1 L2 establece una restricción elástica sobre los pesos del núcleo. En este trabajo, ampliamos el GMKL a un método MKL más generalizado basado en la norma p, uniendo las normas L1- y Lp. En consecuencia, el GMKL basado en las formas L1 y L2 es un caso especial en nuestro método cuando p=2. Los experimentos demostraron que nuestro MKL basado en las L1- y Lp-normas ofrece una mayor precisión que el GMKL basado en las L1- y L2-normas en la clasificación, manteniendo las propiedades de las L1- y L2-normas basadas en el GMKL.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:peso del núcleo, gmkl basado, l1-, l2-normas, métodos mkl generalizados, mkl con restricciones de norma, soluciones de lp, lp, sociedad de investigación svm, métodos
• Keywords:kernel weight, based gmkl, l1-, l2-norms, generalized mkl methods, norm constraints mkl, solutions of lp, lp, svm research society, methods