摘要: 本文提出了一种简单的多核学习框架，用于对复杂数据的回归问题进行建模.选取多尺度的高斯核函数作为基本内核，根据随机配置的方法设置核尺度参数.结合l1正则化方法，利用样本自适应地选择最优的模型参数，构造一个具有稀疏约束的单任务机器学习解决... 展开 本文提出了一种简单的多核学习框架，用于对复杂数据的回归问题进行建模.选取多尺度的高斯核函数作为基本内核，根据随机配置的方法设置核尺度参数.结合l1正则化方法，利用样本自适应地选择最优的模型参数，构造一个具有稀疏约束的单任务机器学习解决方法.之后拓展该多核学习框架于多任务学习模型，采用经典的l2，1多任务正则化方法提出一个基于随机多尺度核的组稀疏多任务模型来对传统的线性多任务模型进行改良.在此基础上，分析随机多尺度核l2，1正则化多任务模型在运算效率等方面的缺陷，分析共享隐层神经元网络的多任务方法与生成网络的内在机理，构造随机多尺度核的生成网络多任务模型并对残差的极限问题进行研究. 随机设置核参数的方法所提供的基函数具有充分的近似能力，参数通过在某个预置的概率分布中随机抽样取得，概率分布参数与核参数是通过在训练样本中执行交叉验证的技术计算得到的.数据实验主要分为单任务算法与多任务算法两个部分，分别对模拟数据与真实数据数据进行建模分析，结果表明随机多尺度核方法对参数进行了自适应的选择，模型的泛化性能较原有方法好. 收起