基于神经正切核草图的多核学习方法

摘要

为提高多核学习对大规模及分布不均衡问题的处理能力，提出一种基于神经正切核草图的多核学习方法(neural tangent kernel sketch multiple kernel learning, NS-MKL)。应用神经正切核代替单层核函数作为多核学习基核函数，提高多核学习方法表示能力；使用神经正切核草图算法对神经正切核进行近似，减少神经正切核的特征数量和特征维度，提高多核学习方法计算效率；使用核目标对齐计算每个近似神经正切核的基核权重，根据权重进行多核线性组合，得到多核决策函数。在3个UCI数据集上对神经正线核(neural tangent kernel, NTK)核支持向量机(support vector machine, SVM)与传统核SVM进行比较分析，NTK核SVM比传统核SVM预测准确率最低提高1.9%,精度最低提高2.0%,召回率最低提高2.0%。在3个UCI数据集上对NS-MKL与传统核MKL进行比较分析，NS-MKL比应用传统核MKL预测准确率最低提高2.0%,运行时间最低减少9 s。NS-MKL能提高预测准确率，降低计算速度。

关键词

多核学习 / 神经正切核 / 核目标对齐 / 反余弦核 / 草图算法