Apprentissage à partir de noyaux multiples et indéfinis
Abstract
Nous présentons un cadre général permettant d'apprendre un classifieur à partir de plusieurs noyaux, proche de l'esprit du Multiple Kernel Learning (MKL) proposé par Lanckriet et al. (2004). Dans ce but, nous souhaitons apprendre un classifieur à partir d'une représentation des données basée sur des unions de dictionnaires, une approche courante en traitement de signal. L'utilisation de normes-mixtes dans la fonctionnelle de coût nous permet de considérer différents types de dépendances entre les noyaux et / ou les données. Nous pouvons montrer que la formulation du MKL peut-être englobée dans ce cadre plus général, bien que les noyaux que nous utilisons ne soient pas nécessairement semi-définis positifs. Les contributions de ces travaux sont i) un cadre permettant d'apprendre un classifieur à partir de plusieurs noyaux indéfinis régularisés par des normes-mixtes et ii) une borne, dépendante des données, permettant de caractériser la capacité de généralisation du classifieur.