本発表ではMultiple Kernel Learning (MKL) の統計的な収束レートを様々な正則化項に関して議論する． 近年の数値実験によると，スパースなL1正則化は必ずしもデンスな正則化よりも良い性能を示すとは限らない． そこで，我々はエラスティックネットやLpノルムを含む様々な正則化に関して収束レートを議論する．そのため， 二つの状況（真がスパースな状況および真がデンスな状況）に分けて議論を進める． スパースな状況ではエラスティックネットが真の滑らかさを適切に捉える事が出来ることを示す．デンスな状況では， 再生核ヒルベルト空間の複雑さのばらけ具合が最適な正則化項の決定に影響することを示す． すなわち，複雑さが一様な場合はL1が，非一様な場合はデンスな正則化が好ましいことが示される．