반지도 지원 벡터 머신

반지도 학습 지원 벡터 머신 "S3VM"은 반지도 학습에서 지원 벡터 머신의 일반화입니다. 최대 마진 분할 초평면을 찾아야 하는 지원 벡터 머신과 비교했을 때, S3VM은 레이블이 지정되지 않은 샘플의 정보만을 고려하고 두 가지 유형의 레이블이 지정된 샘플을 분리하고 데이터의 밀도가 낮은 영역을 통과할 수 있는 분할 초평면을 찾으려고 합니다.

S3VM 기능

클러스터링 가설을 기반으로 S3VM은 레이블이 지정되지 않은 데이터를 탐색하여 결정 경계를 표준화하고 조정하려고 시도합니다. 레이블이 없는 데이터를 활용하려면 기존의 지원 벡터 머신 "SVM"에 레이블이 없는 데이터 포인트에 대한 두 가지 제한 사항을 추가해야 합니다.

S3VM과 다른 지원 벡터 머신의 차이점

TSVM

전환형 지원 벡터 머신 "TSVM"과 반지도형 지원 벡터 머신 "S3VM"은 같은 해에 제안되었으며, 알고리즘의 주요 아이디어와 해결하려는 최적화 문제가 유사하므로 두 개념은 상호 교환이 가능합니다.

TSVM은 주로 이진 분류 문제에 사용됩니다. 레이블이 지정되지 않은 샘플에 대해 가능한 레이블 지정 지표(레이블 할당)를 고려하려고 시도합니다. 즉, 레이블이 지정되지 않은 각 샘플을 긍정적 예 또는 부정적 예로 처리하고 해당 결과에서 최대 간격을 갖는 분할 초평면을 찾습니다.

라플라시안 SVM

S3VM과 TSVM 외에도 라플라시안 SVM은 비교적 인기 있는 벡터 머신 중 하나로, 주로 그래프의 라플라시안 행렬을 통해 데이터의 매니폴드 구조를 탐구합니다.

이러한 지원 벡터 머신은 모두 레이블이 지정되지 않은 데이터 범주를 직접 추정한다는 점에서 공통점이 있습니다.