یادگیری با استفاده از تابع کرنل چندگانه به مجموعه ای از روش های یادگیری ماشین گفته می شود که از تعدادی از توابع کرنل از پیش تعریف شده استفاده می کنند و ترکیب خطی یا غیرخطی آن ها را به عنوان تابع کرنل جدید استفاده می کنند و یادگیری را با استفاده از آن انجام می دهند. مزیت های استفاده از این تابع کرنل جدید را در مقابل توابع کرنل ساده می توان به صورت زیر بیان کرد:
• توانایی انتخاب یک هسته از مجموعه هسته ها با بهینه کردن پارامترهای تابع کرنل چندتایی که خود این موضوع باعث کاهش سوگیری یادگیری به دلیل انتخاب تابع هسته بد می شود و در عین حال امکان خودکار سازی انتخاب تابع کرنل را می دهد.
• امکان ترکیب داده ها از منابع مختلف برای مثال ترکیب داده های صدا و تصویر از یک ویدیو، به این صورت که برای ایجاد یک تابع کرنل جدید مخصوص داده مان می توان از ترکیب توابع کرنل دیگر که از قبل برای منابع مختلف داریم استفاده کنیم.
با توجه به خصوصیات گفته شده از کرنل های چندگانه برای تشخیص رویدادها در ویدیوها، اشیا در تصاویر و … استفاده می شود.
الگوریتم های یادگیری با کرنل های چندگانه برای یادگیری های supervised, semi - supervised و unsupervised توسعه داده شده اند. هرچند بیشتر از این روش برای یادگیری های supervised استفاده می شود که بیشتر از روش ترکیب خطی کرنل های ساده تر برای آن استفاده می شود. ایده اصلی الگوریتم های یادگیری با کرنل های چندگانه اضافه کردن یک پارامتر جدید به مسئلهٔ بهینه سازی که برای یادگیری داشتیم است. به عنوان مثال برای مسئله یادگیری supervised یک تابع کرنل چندگانه به صورت K ′ = ∑ i = 1 n β i K i تعریف می کنیم که در آن β بردار ضرایب توابع کرنل های پایه است. حال با توجه به خاصیت جمع پذیری توابع کرنل، تابع به دست آمده نیز همچنان یک تابع کرنل معتبر است. اینک مسئله بهینه سازی مان به صورت زیر می شود:
در مسئله بالا E همان تابع خطا است و R نیز یک عملگر منظم سازی است. تابع E معمولاً همان مجموع مجذور خطاها است. R نیز معمولاً نرم ℓ n یا ترکیبی از نرم ها است. در نهایت مسئله بالا را با استفاده از روش های استانداردی که برای بهینه سازی داریم می توان حل کرد.
برای یادگیری supervised، بسیاری از الگوریتم های دیگر وجود دارند که از روش های مختلفی برای یادگیری فرم تابع کرنل استفاده می کنند. طبقه بندی زیر توسط Gonen و Alpaydın در سال ۲۰۱۱ پیشنهاد شده است. [ ۱]
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلف• توانایی انتخاب یک هسته از مجموعه هسته ها با بهینه کردن پارامترهای تابع کرنل چندتایی که خود این موضوع باعث کاهش سوگیری یادگیری به دلیل انتخاب تابع هسته بد می شود و در عین حال امکان خودکار سازی انتخاب تابع کرنل را می دهد.
• امکان ترکیب داده ها از منابع مختلف برای مثال ترکیب داده های صدا و تصویر از یک ویدیو، به این صورت که برای ایجاد یک تابع کرنل جدید مخصوص داده مان می توان از ترکیب توابع کرنل دیگر که از قبل برای منابع مختلف داریم استفاده کنیم.
با توجه به خصوصیات گفته شده از کرنل های چندگانه برای تشخیص رویدادها در ویدیوها، اشیا در تصاویر و … استفاده می شود.
الگوریتم های یادگیری با کرنل های چندگانه برای یادگیری های supervised, semi - supervised و unsupervised توسعه داده شده اند. هرچند بیشتر از این روش برای یادگیری های supervised استفاده می شود که بیشتر از روش ترکیب خطی کرنل های ساده تر برای آن استفاده می شود. ایده اصلی الگوریتم های یادگیری با کرنل های چندگانه اضافه کردن یک پارامتر جدید به مسئلهٔ بهینه سازی که برای یادگیری داشتیم است. به عنوان مثال برای مسئله یادگیری supervised یک تابع کرنل چندگانه به صورت K ′ = ∑ i = 1 n β i K i تعریف می کنیم که در آن β بردار ضرایب توابع کرنل های پایه است. حال با توجه به خاصیت جمع پذیری توابع کرنل، تابع به دست آمده نیز همچنان یک تابع کرنل معتبر است. اینک مسئله بهینه سازی مان به صورت زیر می شود:
در مسئله بالا E همان تابع خطا است و R نیز یک عملگر منظم سازی است. تابع E معمولاً همان مجموع مجذور خطاها است. R نیز معمولاً نرم ℓ n یا ترکیبی از نرم ها است. در نهایت مسئله بالا را با استفاده از روش های استانداردی که برای بهینه سازی داریم می توان حل کرد.
برای یادگیری supervised، بسیاری از الگوریتم های دیگر وجود دارند که از روش های مختلفی برای یادگیری فرم تابع کرنل استفاده می کنند. طبقه بندی زیر توسط Gonen و Alpaydın در سال ۲۰۱۱ پیشنهاد شده است. [ ۱]
wiki: یادگیری با کرنل چندگانه