lp-MKL的快速学习率及其极小化最优性
摘要：lp-MKL 学习算法的新的尖锐广义界限的给出是多核学习（MKL）的一个广义框架，它施加lp 混合范数正则化，而不是l1混合范数正则化。我们利用局部化技术来获得尖锐的学习速率。该界限由相关内核的特征值衰减速率表征。较大的衰减速率提供更快的收敛速度。此外，我们给出了在乘积空间中以lp混合范数表征的球上的极小化学习速率。然后，我们证明了我们推导出的lp-MKL的学习速率实现了lp混合范数球上的极小化最优速率。
作者：Taiji Suzuki
论文ID：1103.5202
分类：Machine Learning
分类简称：stat.ML
提交时间：2011-07-14