论文部分内容阅读
(MKL ) 多重核学习被建议处理核熔化。MKL 听说线性联合几个核并且解决同时与联合的核联系的支持的向量机器(SVM ) 。MKL 的当前的框架鼓励核联合系数的稀少。核的重要部分什么时候是增进知识的，强迫稀少，趋于选择仅仅一些核并且可以忽略有用信息。在这份报纸，我们建议学习的有弹性的多重核(EMKL ) 完成适应的核熔化。EMKL 使用混合规则化功能损害稀少和非稀少。MKL 和 SVM 能被认为是 EMKL 的特殊情况。为 MKL 问题基于坡度降下算法，我们建议一个快算法解决 EMKL 问题。模拟数据集