聂逯松, 常方圆, 常学智, 刘 畅, 金有为, 刘国晟, 付加胜, 韩霄松

(1. 吉林大学 共青团吉林大学委员会, 长春 130012； 2 吉林大学 护理学院, 长春 130012；3. 吉林大学 生物与农业工程学院, 长春 130022； 4. 长春中医药大学 医药信息学院， 长春 130117；5. 吉林大学 符号计算与知识工程教育部重点实验室 长春 130012; 6. 吉林大学 计算机科学与技术学院, 长春 130012; 7. 吉林大学 软件学院, 长春 130012；8. 中国石油集团工程技术研究院有限公司, 北京 102206)

核学习是一种解决非线性分类和回归问题的方法, 但传统的核分类器都是基于单个核. 针对基于传统特征的分类问题, 构建的特征通常从不同角度描述数据, 将这些特征完全映射到同一空间进行分类效果不佳, 多核学习(multiple kernel learning, MKL)[1]可解决上述问题. MKL可将多个子核整合到一个统一的优化框架内以寻求最佳组合. 研究表明, 使用多核模型可提升学习模型的性能, 同时获得可解释的决策函数. 但多核算法的应用存在核函数组合方式多样且不易选取, 很难找到多核函数解决问题的最优解以及计算复杂度较高等缺陷. 目前, 多核学习方法主要分为合成核方法、 多尺度核方法和无限核方法三类. 而针对多核学习方法的优化则围绕优化组合系数和选取基核函数展开. 优化组合系数有两种方法, 即一阶段法和二阶段法. 一阶段法主要优化包括组合系数和分类器参数的目标函数, Bach等[2]考虑了支持向量机(SVM)的核矩阵圆锥形组合, 并证明这种组合系数的优化可简化为凸优化问题, 称为二次约束二次规划(QCQP)；……