.png){kind=icon}
返回
Contrastive learning-based fuzzy support vector machine
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.130101.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
支持向量机（SVM）在处理噪声数据时面临显著挑战，尤其是在复杂数据分布和高噪声水平的情况下。现有模型虽然在一定程度上提升了鲁棒性，但在适应不同噪声类型、处理极端离群值以及过度依赖分类边界方面存在困难，从而影响模型的稳定性和分类精度。为解决这些局限性，本文提出了一种基于对比学习的模糊支持向量机（Fuzzy Support Vector Machine, FSVM）模型，旨在增强对噪声的鲁棒性并改善泛化能力。该模型通过对比学习引入邻域结构信息，优化了松弛变量的评估，并减少了噪声和离群样本的影响。此外，引入了一种重新设计的模糊隶属度融合机制，能够更准确地处理不确定数据。在基准数据集上的实验结果表明，CL-FSVM模型在使用线性核和Gaussian核时，其准确率和G-mean的平均排名均低于2，优于多个优秀的FSVM变体，验证了该模型的有效性。
Keyword:
Fuzzy support vector machine
Contrastive learning
Slack variables
Neighborhood structural information
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
.png){kind=icon}
A bi-objective hybrid optimization algorithm to reduce noise and data dimension in diabetes diagnosis using support vector machines基于支持向量机的糖尿病诊断中降低噪声和数据维数的双目标混合优化算法
PREAI
分享收藏
查看更多内容