¿Cuáles son las ventajas de Varios de Aprendizaje del Núcleo (MKL) métodos?

Question

Varios Kernel métodos de Aprendizaje objetivo de construir un kernel modelo donde el núcleo es una combinación lineal de la base fija núcleos. El aprendizaje del núcleo, a continuación, consiste en el aprendizaje de los coeficientes de ponderación para cada base del núcleo, en lugar de la optimización de los parámetros del núcleo de un solo núcleo.

Las desventajas de varias de aprendizaje del núcleo parece ser que son menos interpretables y computacionalmente costosos (como la evaluación de los resultados del modelo que usted necesita para evaluar todos los de la base de núcleos). Así que si un rendimiento similar puede lograrse simplemente mediante la optimización de un solo núcleo, ¿cuáles son las ventajas de MKL?

Answer 1

Hay dos ventajas (o más bien dos casos de uso):
1] Para cada aplicación de SVMs, un usuario tiene que elegir el kernel a utilizar y a veces incluso tienen que diseñar su propio núcleo de las matrices. Es posible aliviar la elección de los núcleos o especializados núcleo diseños? MKL fue un paso en esta dirección.
2] El segundo caso, en mi humilde opinión, es mucho más convincente. Considere la posibilidad de que sus datos de entrada es un video de datos + cc. La función de representación de cada video consiste en que las funciones de vídeo, de audio, funciones y características del texto. De los datos se conoce como multi-modal de datos. Cada conjunto de estas características pueden requerir una noción de similitud (un kernel diferente). En lugar de construir una especializadas núcleo de este tipo de aplicaciones, es posible definir el núcleo de cada uno de estos modos y linealmente combinarlos?