Robustas Mínimos Cuadrados Máquina de Vectores de Soporte Gemela con Pérdida Adaptativa de Bolos

Área de la Ciencia:

• Aprendizaje automático
• Inteligencia computacional
• Reconocimiento de patrones

Sus antecedentes:

• La Máquina de Vectores de Soporte Gemela de Mínimos Cuadrados (LSTSVM) ofrece un entrenamiento más rápido y una mejor generalización que la TSVM convencional.
• La dependencia de la LSTSVM de una función de pérdida cuadrada la hace susceptible al ruido, degradando la generalización.
• Los métodos existentes luchan con la sensibilidad al ruido y el mantenimiento de la precisión de la clasificación.

Objetivo del estudio:

• Desarrollar una LSTSVM robusta (RLS-TWSVM) con capacidades anti-ruido y de generalización mejoradas.
• Introducir una novedosa función de pérdida de bolos adaptativa que combina los beneficios de las funciones de pérdida de bolos y de bolos suaves.
• Garantizar la convexidad de la función de pérdida de bolos adaptativa propuesta bajo condiciones específicas.

Principales métodos:

• Se propuso una novedosa función de pérdida de bolos adaptativa, que garantiza la convexidad bajo ciertas condiciones.
• Se desarrolló una RLS-TWSVM reemplazando la pérdida cuadrada con la pérdida de bolos adaptativa.
• Se empleó el método de mínimos cuadrados iterativamente reponderados (IRLSs) para la optimización y se proporcionó un análisis de complejidad computacional y convergencia.

Principales resultados:

• La RLS-TWSVM demuestra insensibilidad al ruido cerca del límite de clasificación.
• El método minimiza simultáneamente la dispersión dentro de la clase y el error de clasificación errónea.
• Los resultados experimentales muestran un rendimiento superior anti-ruido y de generalización en comparación con diez métodos relacionados, con aumentos significativos de precisión en los conjuntos de datos de referencia y MINIST.

Conclusiones:

• La función de pérdida de bolos adaptativa propuesta mejora eficazmente la robustez y la generalización de LSTSVM.
• RLS-TWSVM ofrece una mejora significativa con respecto a los métodos existentes, particularmente en condiciones de ruido.
• El método proporciona una valiosa contribución al aprendizaje automático para tareas de clasificación con datos ruidosos.