Fast learning rate of multiple kernel learning: Trade-off between sparsity and smoothness
多核学习的快速学习率：稀疏性与光滑性的权衡AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要属于一般机器学习收敛率理论，没有明确的因果、宏观预测或金融预测应用依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
多核学习的快速学习率：稀疏性与光滑性的权衡
- 研究问题
- 在核的总数较多而真实非零分量较少时，如何比较 ℓ₁ 与弹性网正则化的学习率，以及真实函数光滑性的作用？
- 方法与思路
- 作者在稀疏多核学习框架中分析两种正则化，区分 ℓ₁ 的稀疏作用与 ℓ₂ 的光滑性控制，并推导相应收敛率。
- 材料陈述的贡献
- 摘要称，两种方法均获得更精细的学习率界；真值光滑时弹性网有更快的条件性结果，其他情形则给出 ℓ₁ 的更快结果。
- 阅读关注点
- 应核对光滑性与稀疏性的定义、学习率所用损失、两种方法比较的共同条件，以及调参要求是否影响结论。
- 阅读边界
- OpenAlex 摘要未注明稿件版本，也未给出具体速率和假设；无法划定两种正则化各自占优的边界或推断刊本变化。
原文摘要
We investigate the learning rate of multiple kernel learning (MKL) with $\ell_{1}$ and elastic-net regularizations. The elastic-net regularization is a composition of an $\ell_{1}$-regularizer for inducing the sparsity and an $\ell_{2}$-regularizer for controlling the smoothness. We focus on a sparse setting where the total number of kernels is large, but the number of nonzero components of the ground truth is relatively small, and show sharper convergence rates than the learning rates have ever shown for both $\ell_{1}$ and elastic-net regularizations. Our analysis reveals some relations between the choice of a regularization function and the performance. If the ground truth is smooth, we show a faster convergence rate for the elastic-net regularization with less conditions than $\ell_{1}$-regularization; otherwise, a faster convergence rate for the $\ell_{1}$-regularization is shown.