基于拓扑数据分析的 LightGBM 鲁棒优化算法
机器学习
2024-06-21 v1
摘要
为提高 Light 渐进增益机器（LightGBM）算法在图像分类中的鲁棒性，提出一种基于拓扑数据分析（TDA）的 LightGBM 鲁棒优化算法，即 TDA-LightGBM，以解决噪声对图像分类的干扰。首先，该方法将特征工程过程分为两个流：像素特征流和拓扑特征流，分别用于特征提取。随后，这些像素和拓扑特征被融合成一个综合特征向量，作为 LightGBM 在图像分类任务中的输入。这种特征融合不仅包含传统特征工程方法，也利用拓扑结构信息更准确地封装图像的内在特征。目标是克服常规图像处理中由数据噪声引起的特征提取不稳定和分类精度下降等挑战。实验结果表明，在含噪条件下，TDA-LightGBM 在 SOCOFing 数据集上进行的五项分类任务中比 LightGBM 提高了 3% 的准确率。在无噪声情况下，TDA-LightGBM 在两项分类任务中分别比 LightGBM 提高了 0.5% 的准确率，达到了 99.8% 的卓越准确率。此外，该方法在含噪条件下，将 Ultrasound Breast Images for Breast Cancer 数据集和 Masked CASIA WebFace 数据集的分类准确率分别提高了 6% 和 15%，超越 LightGBM。这些实证结果凸显了 TDA-LightGBM 集成拓扑特征以增强 LightGBM 鲁棒性、从而提升数据扰动下图像分类任务性能的有效性。
引用
@article{arxiv.2406.13300,
title = {LightGBM robust optimization algorithm based on topological data analysis},
author = {Han Yang and Guangjun Qin and Ziyuan Liu and Yongqing Hu and Qinglong Dai},
journal= {arXiv preprint arXiv:2406.13300},
year = {2024}
}