基于增强特征的粒球孪生支持向量机
机器学习
2025-02-11 v2
摘要
本文提出了一种基于增强特征的粒球孪生支持向量机(EF-GBTSVM)。EF-GBTSVM 使用粒球(GBs)的粗粒度作为输入，而非单个数据样本。通过随机投影将粒球映射到隐藏层的特征空间，随后使用非线性激活函数。由粒球中心得到的原始特征与隐藏特征的拼接构成了一个增强特征空间，通常称为随机向量功能链接(RVFL)空间。该空间为粒球封装了细微的特征信息。进一步，我们在 RVFL 空间中采用孪生支持向量机(TSVM)进行分类。TSVM 在增强特征空间中生成两个非平行超平面，从而提升了所提 EF-GBTSVM 模型的泛化性能。此外，粒球的粗粒度使得所提 EF-GBTSVM 模型对重采样具有鲁棒性，表现出对噪声和异常值影响的低敏感性。我们在基准 UCI 和 KEEL 数据集上对所提 EF-GBTSVM 模型进行了全面评估。该评估涵盖了包含和不包含标签噪声的场景。此外，使用 NDC 数据集的实验进一步强调了所提模型处理大数据集的能力。实验结果表明，经过彻底的统计分析支持，所提 EF-GBTSVM 模型在泛化能力、可扩展性和鲁棒性方面显著优于基线模型。所提 EF-GBTSVM 模型的源代码以及更多结果和详细信息，可访问 https://github.com/mtanveer1/EF-GBTSVM。
引用
@article{arxiv.2410.05786,
title = {Enhanced Feature Based Granular Ball Twin Support Vector Machine},
author = {A. Quadir and M. Sajid and M. Tanveer and P. N. Suganthan},
journal= {arXiv preprint arXiv:2410.05786},
year = {2025}
}