实验室毕业生刘方辉博士的工作《Learning Data-adaptive Non-parametric Kernels》近期在机器学习领域顶尖期刊 Journal of Machine Learning Research (JMLR) 在线发表，其中实验室杨杰老师和黄晓霖老师为通讯作者，合作者还包括南京理工大学宫辰教授和清华大学李力副教授。文章的大部分工作在刘方辉攻读博士学位期间完成。

        文中提出了一种数据自适应的非参数核学习框架，在原始的核矩阵基础上引入非参数化的矩阵并进行Hadamard乘积，提升了原有核学习模型的灵活性；通过引入两个低秩化约束控制模型的复杂度。在算法优化部分，利用可证的目标函数是梯度Lipschitz连续的特点，对核分类器和回归器的求解进行Nesterov加速。针对大规模核学习问题，提出了一种基于聚类分解的方法实现了非参数核学习的核近似。在各种分类和回归数据集上表明，相对于其他代表性核学习方法，新提出的非参数化核学习框架能够取得良好的性能。

论文链接：

Fanghui Liu, Xiaolin Huang, Chen Gong, Jie Yang, Li Li: Learning Data-adaptive Non-parametric Kernels , Journal of Machine Learning Research, 21(208):1-39, 2020

https://www.jmlr.org/papers/v21/19-900.html