半监督学习过程 基于拉普拉斯规范化一类支持向量机器,具有近红外数据分类的动态决策规则

科学领域:

• 机器学习 机器学习
• 频谱学是一种光谱学.
• 数据科学数据科学数据科学

背景情况:

• 半监督学习对于NIR数据分类至关重要,因为标记数据很少.
• 现有的方法在工业和科学背景下与未知的类和稀疏的培训数据作斗争.
• 一类支持向量机 (OSVM) 和拉普拉斯规范的OSVM (LapOSVM) 在处理未标记和未知的数据方面存在局限性.

研究的目的:

• 介绍一种非传统的半监督学习方法,LapDRegOSVM,用于对近红外 (NIR) 数据进行分类.
• 为了应对未知的数据类和稀疏的标记训练数据的挑战.
• 通过利用未标记的数据和完善决策规则来提高分类的准确性和可靠性.

主要方法:

• 开发了LapDRegOSVM,将光谱细分与拉普拉斯规范的一类支向量机器和动态决策规则相结合.
• 利用并行LapDRegOSVM程序从混合数据中识别单个已知的类.
• 通过结合多重规范化和使用动态值或D受约束的K-means集群重新定义决策规则来增强传统的OSVM和LapOSVM.

主要成果:

• 与标准OSVM和LapOSVM相比,LapDRegOSVM在使用未标记的数据方面表现出更高的性能.
• 精确的决策规则,特别是D-受约束的K-平均值,显著提高了分类准确性,特别是对于"不可用" (NA) 数据.
• 在识别NIR光谱内的预期类中实现了高精度和可靠性,即使有许多未知类.

结论:

• LapDRegOSVM为NIR数据提供了一个强大的半监督分类方法,有效地处理稀疏标签和未知类.
• 该方法的动态决策规则和多重规范化比传统的OSVM技术提供了显著的优势.
• 这种方法可以可靠地识别已知的光谱类,同时将未知的类归类为"NA",这对于现实应用来说是一个有价值的功能.