تعميم عصبي يادگيري چندگانه هسته

يادگيري چندگانه هسته (MKL)، خانواده اي از الگوريتم هاي يادگيري ماشين مي باشد كه با استفاده از چندين تابع هسته متفاوت در انواع كاربردهاي داده كاوي مورد استقبال واقع‌شده است. اما بيش‌تر روش هاي مطرح‌شده در اين زمينه، سعي در بهبود كارايي محاسباتي دارند و مقالات كم‌تري به صحت طبقه بندي توجه داشته اند. در اين مقاله سعي شده است با ارائه قالبي متفاوت از فرم متعارف يادگيري چندگانه هسته، خروجي ماشين هاي يادگير (SVM) به‌صورت غيرخطي با استفاده از مدل شبكه عصبي تركيب شوند. به عبارتي در اين روش، مدل جديدي براي تابع هسته ارائه نمي شود بلكه قالب جديدي براي تركيب طبقه‌ بندها مطرح مي شود. درنهايت، روش پيشنهادي با انواع روش‌هاي مطرح يادگيري چندگانه هسته بر روي تعدادي از مجموعه داده هاي پركاربرد مقايسه مي شود و مشاهده مي شود صحت اين روش نسبت به ساير روش ها بهبود چشم گيري داشته است.