通过粗粒度计算提高最小二乘 twin SVM 的鲁棒性与效率
机器学习
2025-02-11 v2
摘要
在机器学习领域，最小二乘 twin 支持向量机（LSTSVM）是众多前沿模型之一。然而，LSTSVM 对于噪声和离群值敏感，忽视了 SRM 原则，并且在重抽样时不稳定。此外，其计算复杂度和依赖矩阵逆运算阻碍了大数据集的有效处理。为缓解上述挑战，我们提出了鲁棒粗粒度球 LSTSVM（GBLSTSVM）。GBLSTSVM 使用粗粒度球而非原始数据点进行训练。粗粒度球的核心位于其中心处，封装了指定半径范围内所有数据点相关信息。为提高可扩展性和效率，我们进一步引入了大规模 GBLSTSVM（LS-GBLSTSVM），通过正则化项 Incorporates the SRM 原则。实验在 UCI、KEEL 和 NDC 基准数据集上进行；两种提出的 GBLSTSVM 和 LS-GBLSTSVM 模型均一致优于基准模型。
关键词
引用
@article{arxiv.2410.17338,
title = {Enhancing Robustness and Efficiency of Least Square Twin SVM via Granular Computing},
author = {M. Tanveer and R. K. Sharma and A. Quadir and M. Sajid},
journal= {arXiv preprint arXiv:2410.17338},
year = {2025}
}