Machine À Vecteurs De Support Semi-supervisée
La machine à vecteurs de support semi-supervisée « S3VM » est une généralisation de la machine à vecteurs de support dans l'apprentissage semi-supervisé. Par rapport à la machine à vecteurs de support qui doit trouver l'hyperplan de division de marge maximale, S3VM ne considère que les informations des échantillons non étiquetés et essaie de trouver un hyperplan de division qui peut séparer les deux types d'échantillons étiquetés et traverser la zone de faible densité de données.
Fonctionnalités de S3VM
Sur la base de l’hypothèse de clustering, S3VM tente de normaliser et d’ajuster la limite de décision en explorant des données non étiquetées. Afin d'utiliser des données non étiquetées, il est nécessaire d'ajouter deux restrictions sur les points de données non étiquetés à la machine à vecteurs de support existante « SVM ».
Différences entre S3VM et les autres machines à vecteurs de support
TSVM
La machine à vecteurs de support transductive « TSVM » et la machine à vecteurs de support semi-supervisée « S3VM » ont été proposées la même année, et les idées principales des algorithmes et des problèmes d'optimisation à résoudre sont similaires, de sorte que les deux concepts sont interchangeables.
TSVM est principalement utilisé pour les problèmes de classification binaire. Il tente de considérer les indicateurs d'étiquetage possibles (Label Assignment) pour les échantillons non étiquetés, c'est-à-dire qu'il essaie de traiter chaque échantillon non étiqueté comme un exemple positif ou un exemple négatif, et recherche un hyperplan de partitionnement avec l'intervalle maximal dans les résultats correspondants.
SVM laplacienne
Outre S3VM et TSVM, Laplacian SVM est également l'une des machines vectorielles relativement populaires, qui explore principalement la structure multiple des données à travers la matrice laplacienne du graphe.
Ces machines à vecteurs de support ont une chose en commun : elles estiment toutes directement les catégories de données non étiquetées.