Với mạng nơ ron MIMLRBF, các mối liên kết giữa các thể hiện và các nhãn được sử dụng trực tiếp trong quá trình phân cụm ở lớp đầu tiên và quá trình tối ưu hóa ở lớp thứ hai.
2.3. Một số phương pháp học máy đa thể hiện
2.3.1. Phương pháp DD
Phương pháp Diverse Density (mật độ đa dạng - DD) được Maron và Lozano-Perez [9] đề xuất năm 1998 để ứng dụng vào nhận dạng một người từ một tập các ảnh (trong đó, các ảnh được gán nhãn dương khi có người đó trong bức ảnh, ngược lại thì được gán nhãn âm) và cho vấn đề lựa chọn cổ phiếu.
Maron và Lozano-Perez [9] đề xuất phương pháp DD với ví dụ về một phân tử thuốc trong dự báo hoạt tính của thuốc. Giả sử rằng, hình dạng của một phân tử ứng cử viên được biểu diễn bởi một vec tơ đặc trưng. Do đó, một thể hiện của phân tử thuốc được biểu diễn bằng một điểm trong không gian đặc trưng n chiều. Khi phân tử thuốc thay đổi hình dạng, chúng sẽ sinh ra một đa tạp trong không gian đặc trưng n chiều. Hình 2.4 (a) mô tả đường đi của bốn phân tử trong không gian đặc trưng hai chiều. Nếu phân tử ứng cử viên được gán nhãn dương, thì ta có thể biết rằng ít nhất có một điểm của đa tạp, mà ở đó hình dạng của phân tử phù hợp với protein đích (đa tạp dương). Ngược lại, phân tử dược gán nhãn âm khi
không có hình dạng nào phù hợp với protein đích (đa tạp âm). Câu hỏi đặt ra là làm thế nào xác định được vị trí của phân tử trong không gian đặc trưng mà tại đó hình dạng của phân tử phù hợp với protein đích? Câu trả lời chính là tại điểm giao của các đa tạp dương và không giao với bất kỳ đa tạp âm nào. Ví dụ, trong Hình 2.4 (a), điểm A là điểm giao của các đa tạp dương và không giao với đa tạp âm nào. Trong các nghiên cứu về dự báo hoạt tính thuốc, các đa tạp là không liên tục. Do vậy Hình 2.4 (a) thành Hình 2.4 (b).