Resumen

Los modelos tradicionales de reducción de la dimensionalidad de los núcleos múltiples se basan generalmente en la incrustación de gráficos y en la suposición de la existencia de múltiples. Sin embargo, esta suposición podría no ser válida para algunos datos de alta dimensión o escasos debido a la maldición de la dimensionalidad, que influye negativamente en el rendimiento del aprendizaje de núcleos múltiples. Además, algunos modelos pueden estar mal planteados si el rango de las matrices en sus funciones objetivo no es lo suficientemente alto. Para resolver estos problemas, ampliamos el marco tradicional de incrustación de gráficos y proponemos un nuevo método regularizado de reducción de la dimensionalidad de múltiples núcleos. A diferencia de la técnica convencional de relajación convexa, el algoritmo propuesto aprovecha directamente una búsqueda binaria y un esquema de optimización alternativo para obtener soluciones óptimas de forma eficiente. Los resultados experimentales demuestran la eficacia del método propuesto para escenarios supervisados, no supervisados y semisupervisados.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:reducción de la dimensionalidad de los núcleos, técnicas de relajación convexa, núcleos múltiples tradicionales, aprendizaje de núcleos múltiples, maldición de la dimensionalidad, rango de la matriz, esquema de optimización alternativo, dimensionalidad de los núcleos múltiples, datos dispersos, suposición del múltiple
• Keywords:kernel dimensionality reduction, convex relaxation techniques, traditional multiple kernel, multiple kernel learning, curse of dimensionality, rank of matrix, alternative optimization scheme, multiple kernel dimensionality, sparse data, manifold assumption