Sparsity in multiple kernel learning
多核学习中的稀疏性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：摘要讨论通用稀疏多核预测理论，未指定宏观预测、金融预测或其他所列领域应用。
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
多核学习中的稀疏性
- 研究问题
- 当候选核函数很多、但目标函数只需少数核表示时，如何构造同时适应未知设计分布和稀疏程度的预测方法？
- 方法与思路
- 作者采用惩罚经验风险最小化，以经验 L2 范数与再生核希尔伯特空间范数共同确定惩罚，并数据驱动选择正则参数。
- 材料陈述的贡献
- 摘要介绍兼顾两类范数的多核学习方案，以建立超额风险的预言不等式为目标，用于刻画对设计分布及稀疏性的适应。
- 阅读关注点
- 应核对损失函数、核与设计分布的条件、正则参数选择规则，以及预言不等式中的复杂度项和适应性含义。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要以建立风险界为目标，未提供具体界、收敛率或与其他方法比较的结果。
原文摘要
The problem of multiple kernel learning based on penalized empirical risk minimization is discussed. The complexity penalty is determined jointly by the empirical L2 norms and the reproducing kernel Hilbert space (RKHS) norms induced by the kernels with a data-driven choice of regularization parameters. The main focus is on the case when the total number of kernels is large, but only a relatively small number of them is needed to represent the target function, so that the problem is sparse. The goal is to establish oracle inequalities for the excess risk of the resulting prediction rule showing that the method is adaptive both to the unknown design distribution and to the sparsity of the problem.