Evolutionary Learning of Regularization Networks with Multi-kernel Units

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F11%3A00369159" target="_blank" >RIV/67985807:_____/11:00369159 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-642-21105-8_62" target="_blank" >http://dx.doi.org/10.1007/978-3-642-21105-8_62</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-642-21105-8_62" target="_blank" >10.1007/978-3-642-21105-8_62</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Evolutionary Learning of Regularization Networks with Multi-kernel Units

Popis výsledku v původním jazyce

Regularization networks represent an important supervised learning method applicable for regression and classification tasks. They benefit from very good theoretical background, although the presence of meta parameters is their drawback. The meta parameters, including the type of kernel function, are typically supposed to be given in advance and come ready as an input of the algorithm. In this paper, we propose multi-kernel functions, namely product kernel functions and composite kernel functions. The choice of kernel function becomes part of the optimization process, for which a new evolutionary learning algorithm is introduced that deals with different kernel functions, including composite kernels. The results are demonstrated on experiments with benchmark tasks.

Název v anglickém jazyce

Evolutionary Learning of Regularization Networks with Multi-kernel Units

Popis výsledku anglicky

Regularization networks represent an important supervised learning method applicable for regression and classification tasks. They benefit from very good theoretical background, although the presence of meta parameters is their drawback. The meta parameters, including the type of kernel function, are typically supposed to be given in advance and come ready as an input of the algorithm. In this paper, we propose multi-kernel functions, namely product kernel functions and composite kernel functions. The choice of kernel function becomes part of the optimization process, for which a new evolutionary learning algorithm is introduced that deals with different kernel functions, including composite kernels. The results are demonstrated on experiments with benchmark tasks.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

<a href="/cs/project/GAP202%2F11%2F1368" target="_blank" >GAP202/11/1368: Učení funkcionálních vztahů z vysoce dimenzionálních dat</a><br>

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2011

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Advances in Neural Networks ? ISNN 2011. Part I

ISBN

978-3-642-21104-1

ISSN

—

e-ISSN

—

Počet stran výsledku

9

Strana od-do

538-546

Název nakladatele

Springer

Místo vydání

Berlin

Místo konání akce

Guilin

Datum konání akce

29. 5. 2011

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000301802600062