此代码基于 (r, p) 范数的概念实现了矩阵正则化多核学习 (MKL) 技术。 这扩展了向量 ℓ p 范数正则化，并有助于探索内核之间的依赖关系和相互作用，从而获得更好的性能。 我们给出了一个简单的交替优化和内核权重的封闭形式解决方案，并展示了所提出问题的全局收敛性，并且始终可以保证。 我们使用 Rademacher 复杂度界限分析了这样的正则化器，并且我们还证明了 (r, p)-norm MKL 比 ℓ p-norm MKL 产生严格更好的泛化界限。 最后，我们在几个公开可用的数据集上报告了 (r, p)-MKL 的结果。 (r, p)-MKL 被证明能够始终如一地获得优于规范 ℓ p-MKL 的性能，证明了揭示高阶内核对关系的好处。 然而，该项目仅构成初步研究，应进一步研究具有更具表现力的公式和有效的解决策略的更深入的分析。
如果您觉得这项工作有用，请引用以下论文：
Yina
