Máquina vectorial de soporte doble de bolas granulares con datos de Universum

Área de la Ciencia:

• Aprendizaje automático
• Minería de datos
• Reconocimiento de patrones

Sus antecedentes:

• Las máquinas vectoriales de soporte (SVM) a menudo luchan con datos etiquetados limitados y son sensibles al ruido y los valores atípicos.
• Las máquinas vectoriales de soporte doble convencionales (TSVM) representan los datos como puntos, lo que limita su robustez y eficiencia.
• Los métodos existentes carecen de estrategias efectivas para manejar los datos ruidosos y aprovechar la información sin etiqueta o fuera de la clase.

Objetivo del estudio:

• Introducir la máquina vectorial de soporte gemelo de bola granular con datos de universo (GBU-TSVM) como un marco de clasificación sólido.
• Mejorar el rendimiento de los TSVM mediante la integración de la computación de bolas granulares y los datos de Universum.
• Mejorar la precisión de la clasificación y la eficiencia computacional, especialmente en presencia de ruido y datos etiquetados limitados.

Principales métodos:

• Modelado de instancias de datos como hiperbolas en lugar de puntos dentro del marco TSVM.
• Utilizando la computación de bolas granulares para un agrupamiento efectivo de datos y una complejidad de procesamiento reducida.
• Incorporación de datos de Universum (muestras fuera de las clases objetivo) para refinar los límites de la decisión y mejorar la generalización.

Principales resultados:

• GBU-TSVM logró una precisión del 92,38% en el conjunto de datos de Molec Biol Promoter en condiciones óptimas.
• El modelo mantuvo una precisión del 89,17% incluso con una contaminación acústica del 20%, lo que demuestra una robustez significativa.
• GBU-TSVM consistentemente superó a los modelos de referencia, incluidos GBSVM, TSVM, GBTSVM, Pin-GTSVM y UTSVM en los experimentos.

Conclusiones:

• GBU-TSVM ofrece un marco de clasificación superior y robusto para entornos de datos desafiantes.
• La integración de la computación de bolas granulares y los datos de Universum mejora significativamente el rendimiento de SVM.
• Este enfoque proporciona una dirección prometedora para el desarrollo de modelos de aprendizaje automático más resistentes y precisos.