基于流形正则化的半监督投影双子支持向量机

投影双子支持向量机(PTSVM)是一种有监督学习方法,其性能极大依赖于有监督信息量的大小.受流形正则化框架启发,文中提出半监督投影双子支持向量机(SPTSVM).该方法可同时利用有监督(有标签样本)信息和无监督(无标签样本)信息构造一个更合理的半监督学习器.SPTSVM不仅继承PTSVM有监督分类性能,而且使用流形正则项捕获蕴含在无标签数据中的潜在几何信息.通过选择合理的参数,SPTSVM退化为有监督PTSVM或正则化PTSVM.在人工数据集和实际数据集上的对比实验验证文中方法的有效性.

增强型投影双胞支持向量机设计

投影双胞支持向量机(PTSVM)在分类问题上拥有优秀的泛化能力。然而,在对偶求解方面,PTSVM模型存在矩阵求逆运算。这不仅增加了模型的训练负担,而且容易导致模型解的不稳定性。为解决上述问题,提出了一种新的增强型投影双胞支持向量机模型(IPTSVM)。IPTSVM模型能够寻找一对最优非平行投影方向。在新的投影空间,同类别的样本点尽量聚集在类内投影中心附近,而其他类样本应尽量远离当前类别中心,有效地避免了矩阵求逆问题,提高了模型的训练效率。同时,在IPTSVM模型中,利用等式约束对类内样本的损失函数进行了重构,并将正则项引入,显著提高了模型的泛化能力,保障了模型解的稳定性。基于UCI公共数据集上的仿真试验结果,验证了IPTSVM模型的有效性。