一类分类 SVM 的高效训练
机器学习
2023-10-02 v1
摘要
本研究考察了一种高效训练方法在一类分类中的应用。在常见二分类场景中，训练数据中存在正负样本是开发有效分类器的必要条件。遗憾的是，许多领域不满足该条件。此处仅有一类样本。为应对该设定，已创造出仅从正类输入学习的分类算法。本文提出一种用于对偶软间隔一类 SVM 训练的高效算法。我们的方法利用了增广拉格朗日法(AL-FPGM)，即快速投影梯度法的一种变体。FPGM 仅需一阶导，对于对偶软间隔 OCC-SVM 而言这意味着主要计算一个矩阵-向量乘积。因此，AL-FPGM 计算开销低，可作为现有二次规划求解器的补充，用于训练大型 SVM。我们在真实数据集上广泛验证了我们的方法，并证明该策略取得了统计显著的结果。
引用
@article{arxiv.2309.16745,
title = {Efficient Training of One Class Classification-SVMs},
author = {Isaac Amornortey Yowetu and Nana Kena Frempong},
journal= {arXiv preprint arXiv:2309.16745},
year = {2023}
}