.png){kind=icon}
返回
A robust multi-view support vector machine with the RoBoSS loss function
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2026.108937.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多视图学习利用数据的多种表示并整合其异构信息以提高学习性能。已提出几种基于支持向量机（SVM）的多视图模型并表现出优异性能。然而，它们主要依赖基于共识的策略并忽略了互补信息。此外，这些方法对噪声、错误和多视图数据集中的视图不一致模式缺乏鲁棒性。为克服这些局限性，我们提出了一种鲁棒多视图SVM框架，利用称为RoBoSS-MvSVM的RoBoSS损失函数。所提出的方法明确整合了跨视图的共识和互补信息，丰富了多视图数据表示并确保了鲁棒学习。RoBoSS损失函数具有鲁棒性、有界性、稀疏性和平滑性，使其能有效处理噪声和不一致样本，而其分类校准的理论特性确保了可靠的泛化性能。我们使用Nesterov加速梯度算法求解所提出的RoBoSS-MvSVM的优化问题。此外，通过Rademacher复杂度分析，理论上确立了所提出的RoBoSS-MvSVM技术的泛化能力。为进一步验证其在多视图学习中的鲁棒性和有效性，在3个合成、39个基准UCI和KEEL以及45个Animal with Attribute数据集上进行了全面实验。实验结果一致表明RoBoSS-MvSVM优于现有基线方法。此外，超参数敏感性分析和统计评估证实了所提出模型泛化性能的稳定性和显著性。
Keyword:
Multi-view learning
Support vector machine
RoBoSS loss function
Robustness
Complementarity
期刊
IF:
6.3
论文数:
8.2K
被引数:
3.0W
机构
引用论文
Multi-view intuitionistic fuzzy support vector machines with insensitive pinball loss for classification of noisy data.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏分享收藏Advancing Supervised Learning with the Wave Loss Function: A Robust and Smooth ApproachPATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏分享收藏
查看更多内容