Halbüberwachte Support Vector Machine

Die halbüberwachte Support Vector Machine „S3VM“ ist eine Verallgemeinerung der Support Vector Machine im halbüberwachten Lernen. Im Vergleich zur Support Vector Machine, die die maximale Trennhyperebene finden muss, berücksichtigt S3VM nur die Informationen unbeschrifteter Proben und versucht, eine Trennhyperebene zu finden, die die beiden Arten beschrifteter Proben trennen und durch den Bereich mit geringer Datendichte verlaufen kann.

S3VM-Funktionen

Basierend auf der Clusterhypothese versucht S3VM, die Entscheidungsgrenze durch die Untersuchung nicht gekennzeichneter Daten zu standardisieren und anzupassen. Um unbeschriftete Daten nutzen zu können, müssen der vorhandenen Support Vector Machine „SVM“ zwei Einschränkungen für unbeschriftete Datenpunkte hinzugefügt werden.

Unterschiede zwischen S3VM und anderen Support Vector Machines

TSVM

Die transduktive Support Vector Machine „TSVM“ und die halbüberwachte Support Vector Machine „S3VM“ wurden im selben Jahr vorgeschlagen. Die Grundideen der Algorithmen und die zu lösenden Optimierungsprobleme sind ähnlich, sodass die beiden Konzepte austauschbar sind.

TSVM wird hauptsächlich für binäre Klassifizierungsprobleme verwendet. Es versucht, mögliche Kennzeichnungsindikatoren (Label Assignment) für nicht gekennzeichnete Proben zu berücksichtigen, d. h., es versucht, jede nicht gekennzeichnete Probe als positives oder negatives Beispiel zu behandeln und sucht nach einer Partitionierungshyperebene mit dem maximalen Intervall in den entsprechenden Ergebnissen.

Laplace-SVM

Neben S3VM und TSVM ist Laplacian SVM auch eine der relativ beliebten Vektormaschinen, die hauptsächlich die vielfältige Struktur von Daten durch die Laplacian-Matrix des Graphen untersucht.

Diese Support Vector Machines haben eines gemeinsam: Sie schätzen alle die unbeschrifteten Datenkategorien direkt.