计算机应用研究
計算機應用研究
계산궤응용연구
APPLICATION RESEARCH OF COMPUTERS
2015年
4期
1019-1023
,共5页
多核学习%训练样本%随机规划%复合梯度映射%收敛速度%UCI数据集
多覈學習%訓練樣本%隨機規劃%複閤梯度映射%收斂速度%UCI數據集
다핵학습%훈련양본%수궤규화%복합제도영사%수렴속도%UCI수거집
multiple kernel learning(MKL)%training sample%stochastic programming%composite gradient mapping%convergence rate%UCI data sets
现有的多核学习算法大多假设训练样本分类完全正确,将其应用到受扰分类样本上时,由于分类存在差错,因此往往只能实现次优性能.为了解决这一问题,首先将受扰分类多核学习问题建模为随机规划问题,并得到一种极小极大表达式;然后提出基于复合梯度映射的一阶学习算法对问题进行求解.理论分析表明,该算法的收敛速度为O(1/T),大大快于传统算法的收敛速度O(1/√T).最后,基于五个UCI数据集的实验结果也验证了本文观点和优化算法的有效性.
現有的多覈學習算法大多假設訓練樣本分類完全正確,將其應用到受擾分類樣本上時,由于分類存在差錯,因此往往隻能實現次優性能.為瞭解決這一問題,首先將受擾分類多覈學習問題建模為隨機規劃問題,併得到一種極小極大錶達式;然後提齣基于複閤梯度映射的一階學習算法對問題進行求解.理論分析錶明,該算法的收斂速度為O(1/T),大大快于傳統算法的收斂速度O(1/√T).最後,基于五箇UCI數據集的實驗結果也驗證瞭本文觀點和優化算法的有效性.
현유적다핵학습산법대다가설훈련양본분류완전정학,장기응용도수우분류양본상시,유우분류존재차착,인차왕왕지능실현차우성능.위료해결저일문제,수선장수우분류다핵학습문제건모위수궤규화문제,병득도일충겁소겁대표체식;연후제출기우복합제도영사적일계학습산법대문제진행구해.이론분석표명,해산법적수렴속도위O(1/T),대대쾌우전통산법적수렴속도O(1/√T).최후,기우오개UCI수거집적실험결과야험증료본문관점화우화산법적유효성.
