複数カーネル学習（MKL）メソッドの利点は何ですか？

複数のカーネル学習メソッドは、カーネルが固定ベースカーネルの線形結合であるカーネルモデルの構築を目的としています。カーネルの学習は、単一のカーネルのカーネルパラメータを最適化するのではなく、各基本カーネルの重み付け係数を学習することで構成されます。

複数のカーネル学習の欠点は、解釈が難しく、計算コストが高いことです（モデルの出力を評価するには、すべての基本カーネルを評価する必要があります）。では、単一のカーネルを最適化するだけで同様のパフォーマンスを達成できるとしたら、MKLの利点は何でしょうか。

2つの利点（または2つのユースケース）があります。

1. SVMのすべてのアプリケーションで、ユーザーは使用するカーネルを選択する必要があり、場合によっては独自のカーネルマトリックスを設計する必要があります。カーネルや特殊なカーネル設計の選択を軽減することは可能ですか？MKLはその一歩でした。
   

2. 2番目のケースIMHOは、はるかに説得力のあるケースです。データ入力がビデオデータ+ ccであることを考慮してください。各ビデオの機能表現は、ビデオ機能、オーディオ機能、テキスト機能で構成されています。このようなデータは、マルチモーダルデータと呼ばれます。これらの機能の各セットには、類似性の異なる概念（異なるカーネル）が必要な場合があります。そのようなアプリケーションに特化したカーネルを構築する代わりに、これらの各モードのカーネルを定義し、それらを線形に結合することは可能ですか？