Uni-INMKMHKS

Uni-INMKMHKS

介绍

• 内核学习：旨在采用内核功能将原始输入样本映射到内核空间。在这样的内核空间中，即使这些原始输入样本在输入空间中是非线性可分离的，在这里它们也可能是线性可分离的。
• Universum 学习:提出了将关于应用领域的先验知识融入到学习过程中。(IBU - CIBU)

贡献

1. 由于我们采用 INMKMHKS 作为基本学习机，因此UniINMKMHKS 继承了 INMKMHKS 的优点。
   • 避免了设置过多参数的问题
   • 与 NMKMHK 相比，保持了可比的空间和计算复杂度
   • 在 Rademacher 复杂度分析方面具有更严格的泛化风险范围
   • 具有处理噪声和实际图像的能力
   • 多个使用过的 $K_p$ 间存在很强的相关性，可以获得更好的识别率，这可以为内核的选择提供指导建议
2. 具有更好的识别率

算法步骤

第一步是创建并选择内部 Universum样本，即有用的 Universum 样本。

第二步是生成内核函数。

第三步是将 Universum 学习和生成的内核函数应用于 INMKMHKS。对 UniINMKMHKS 模型进行求解后，可以得到最优参数和更好的学习机。

最后，我们进行了计算和空间复杂度分析

挑战