Apprentissage par noyaux multiples
Résumé
Apprentissage par noyaux multiples Multiple kernel learning L'apprentissage par noyaux multiples permet d'estimer directement le noyau à partir des données pour les méthodes d'apprentissage supervisé comme la "support vector machine" (SVM). Le cadre algorithmique et théorique est basé sur une paramétrisation linéaire de l'ensemble des noyaux et une formulation convexe à partir de normes L1 par blocs. Dans cet exposé, je décrirai certaines applications, les développements algorithmiques récents pour les problèmes de grande taille, et les liens avec la théorie des normes parcimonieuses. Multiple kernel learning refers to a theoretical and algorithmic framework aimed at learning the kernel directly from data for supervised learning techniques such as the support vector machine (SVM). The framework is based on a convex parameterization of the set of kernels and a convex formulation which can be cast as a block L1-norm regularization. In this talk, I will explore some applications and large-scale optimization algorithms, as well as some recent links with sparsity-inducing norm theory.