Nhiều phương thức học hạt nhân nhằm xây dựng một mô hình hạt nhân trong đó hạt nhân là sự kết hợp tuyến tính của các hạt nhân cơ sở cố định. Học kernel sau đó bao gồm học các hệ số trọng số cho từng kernel cơ sở, thay vì tối ưu hóa các tham số kernel của kernel đơn.
Nhược điểm của việc học nhiều nhân dường như là chúng ít có thể hiểu và tốn kém về mặt tính toán (để đánh giá đầu ra mô hình mà bạn cần để đánh giá tất cả các hạt nhân cơ sở). Vì vậy, nếu hiệu suất tương tự có thể đạt được bằng cách đơn giản hóa tối ưu một hạt nhân, thì lợi thế của MKL là gì?
"Tối ưu hóa các tham số của một hạt nhân" nghĩa là gì? chúng ta tham số hóa ma trận gram của k (x, y)? hoặc của tính năng ánh xạ Phi (x)? Có một cách có hệ thống để làm điều này? Hoặc là như thế, chạy xác nhận chéo trên một loạt các hạt nhân sau đó chọn cái tốt nhất?
—
Glem of Rivia
@GiendofRivia Tôi chỉ có nghĩa là điều chỉnh các tham số siêu của hàm nhân cơ bản (ví dụ: tham số tỷ lệ của hạt nhân RBF). Một hạt nhân RBF đáng ngạc nhiên là khó đánh bại về hiệu suất tổng quát hóa và một hạt nhân có trọng số (có thể bao gồm RBF) dường như khá khó hiểu, ít nhất là đối với tôi.
—
Dikran Marsupial