计算机应用

作者：王梅, 许传海, 刘勇

单位：1.东北石油大学 计算机与信息技术学院，黑龙江 大庆 163318；2.黑龙江省石油大数据与智能分析重点实验室（东北石油大学），黑龙江 大庆 163318；3.中国人民大学 高瓴人工智能学院，北京 100872；4.大数据管理与分析方法研究北京市重点实验室（中国人民大学），北京 100872

关键词：机器学习,多核学习,神经正切核,核对齐,主特征值比例

基金：国家自然科学基金面上项目(51774090);黑龙江省博士后科研启动金资助项目(LBH-Q20080);黑龙江省自然科学基金资助项目(LH2020F003);黑龙江省高等教育教学改革重点委托项目(SJGZ20190011)

多核学习方法是一类重要的核学习方法，但大多数多核学习方法存在如下问题：多核学习方法中的基核函数大多选择传统的具有浅层结构的核函数，在处理数据规模大且分布不平坦的问题时表示能力较弱；现有的多核学习方法的泛化误差收敛率大多为O1/n，收敛速度较慢。为此，提出了一种基于神经正切核（NTK）的多核学习方法。首先，将具有深层次结构的NTK作为多核学习方法的基核函数，从而增强多核学习方法的表示能力。然后，根据主特征值比例度量证明了一种收敛速率可达O1/n的泛化误差界；在此基础上，结合核对齐度量设计了一种全新的多核学习算法。最后，在多个数据集上进行了实验，实验结果表明，相比Adaboost和K近邻（KNN）等分类算法，新提出的多核学习算法具有更高的准确率和更好的表示能力，也验证了所提方法的可行性与有效性。

来源：2021年第12期

《计算机应用》期刊编辑部

查看计算机应用杂志2021年第12期