Gans'ta çoklu kernel öğreniminin etkileşimi sağlam optimizasyon

Bu çalışma, gürbüz optimizasyon kullanarak oluşturulan çekişmeli ağlarda çoklu çekirdek öğrenimini (MKL) kullanan yeni bir model önermektedir. Ayrıca stokastik fonksiyonel gradyanı (SFG) ve (MKL) entegre edilmiştir. Önerilen bu model, örneklem ortalama yaklaşımı ve SFG RKHS olarak da bilinen ampirik risk minimizasyonu (ERM) ile karşılaştırılmıştır. İkinci olarak, destek vektör makinelerinin (SVM) temel bileşeni olan yeniden üretilen çekirdek Hilbert uzayları (RKHS) (SFG) ile birleştirilmiştir. Modelin test edilmesi, CIFAR 10, CIFAR 100, MNIST, Fashion MNIST, EMNIST ve SVHN veri kümeleri üzerinde gerçekleştirilmiştir. SFG MKL modeli, çekişmeli saldırı senaryolarında sürekli olarak daha düşük hata oranlarına ve daha iyi performansa sahiptir. Bu, önemli bir özellik olan rakiplerden gelen değişikliklerle başa çıkabildiğini göstermektedir. Bu esneklik, MKL ile birleştirildiğinde fonksiyonel gradyan yaklaşımının etkinliğinin bir kanıtı olmaktadır. Yöntemler karşılaştırıldığında, ERM modeli tedirginliğe oldukça duyarlıdır. Bunun aksine, SFG MKL modeli daha standart senaryolarda SFG RKHS ile rekabetçi etkinlik göstermektedir. Bu, MKL'yi fonksiyonel gradyan çerçevesine entegre etmenin model esnekliğini arttırmanın bir yolu olduğunu göstermektedir. Sonuçlarımız, SFG MKL modelinin, rakip tedirginliklere karşı doğruluk ve dayanıklılık gerektiren makine öğrenimi uygulamalarında bir rakip olduğunu doğrulamaktadır. Çekirdeklerin MKL vii çerçevesinde keşfedilme olasılığı, özellikle biyomedikal görüntüleme ve otonom sistemler gibi kritik alanlarda gelecekteki ilerlemeler için fırsatlar yaratacaktır. Gradyanları MKL ile birleştirmek, gürbüz makine öğrenimi algoritmalarının geliştirilmesini ilerletmek ve bu alanda yeni bir standart oluşturmak için büyük bir potansiyele sahiptir.