核方法表达能力与基于结合方案核学习效率的研究
机器学习
2019-02-14 v1 机器学习
摘要
我们研究一类特殊的丰富核类的核方法的表达能力以及多核学习的算法可行性。具体而言,我们定义\emph{欧氏核},这是一个多样化的类,包含了文献中研究的大部分(即便不是全部)核族,例如多项式核与径向基函数。随后我们描述了该类核在超立方体上(并在一定程度上对任意紧域)的几何与谱结构。我们的结构结果使我们能够证明该类表达能力上的有意义限制,并推导出若干用于在不同域上学习核的高效算法。
引用
@article{arxiv.1902.04782,
title = {On the Expressive Power of Kernel Methods and the Efficiency of Kernel Learning by Association Schemes},
author = {Pravesh K. Kothari and Roi Livni},
journal= {arXiv preprint arXiv:1902.04782},
year = {2019}
}