Uncertainty-safe large scale support vector machines

مسئله طبقه بندی دوتایی در مقیاس بزرگ زمانی که داده ها به اختلالات تصادفی منجر می شود، مورد توجه قرار گرفته است. مدل پیشنهادی یک چارچوب یادگیری را ایجاد می کند که استحکام آن را در برابر نویز در طول یادگیری تنظیم می کند. این روش از موقعیت های محافظه کارانه جلوگیری می کند که می تواند با فرمولبندی ماشین های برنده پشتیبانی قوی بدترین حالت مواجه شود. الگوریتم را می توان به عنوان یک روش برای یادگیری مجموعه پشتیبانی از توزیع نویز در طول فرایند آموزش دیده است. این امر با معرفی متغیرهای بهینه سازی شده که میزان بروز اختلالات نویز را کنترل می کنند، باید مورد توجه قرار گیرد. این مقدار با بهینه سازی یک خطای عمومی، تنظیم می شود. تنها تخمین های نادرست مرزهای اختلال لازم است. علاوه بر این، یک روش بهینه سازی دو مرحله ای تصادفی برای حل این فرمول پیشنهاد شده است. این الگوریتم حرکت بسیار گرانبهای تصادفی بسیار ارزان را انجام می دهد و بنابراین به مجموعه داده های بزرگ مناسب است. تشویق نتایج تجربی نشان می دهد که این تکنیک از فرمولاسیون های برنامه نویسی مخروطی قوی با ثبات برخوردار است.