Resumen

El aprendizaje de núcleos múltiples (MKL), como enfoque para la selección automatizada de núcleos, desempeña un papel importante en el aprendizaje automático. Se han construido algunas teorías de aprendizaje para analizar la generalización del aprendizaje de núcleos múltiples. Sin embargo, se ha estudiado menos el aprendizaje de núcleos múltiples en el marco del aprendizaje semisupervisado. En este trabajo, analizamos la generalización del aprendizaje de núcleos múltiples en el marco del aprendizaje multivista semisupervisado. Aplicamos la complejidad del caos de Rademacher para controlar el rendimiento de la clase candidata de núcleos múltiples coregularizados y obtenemos el límite de error de generalización del aprendizaje de núcleos múltiples coregularizados. Además, mostramos que los resultados existentes sobre el aprendizaje de kennels múltiples y el aprendizaje de kernels coregularizados pueden considerarse como los casos especiales de nuestros resultados principales en este trabajo.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:aprendizaje de núcleos múltiples, aprendizaje de núcleos múltiples, complejidad del caos de rademacher, selección automatizada de núcleos, núcleo múltiple coregularizado, aprendizaje multivista semisupervisado, aprendizaje de núcleos, error de generalización, clase candidata, generalización
• Keywords:multiple kernel learning, multiple kennel learning, rademacher chaos complexity, automated kernel selection, coregularized multiple kernel, semisupervised multiview learning, kernel learning, generalization error, candidate class, generalization