ترجمه فارسی مقاله $p$SVM: SVMهای حاشیه نرم با افت لولای $p$-norm

چکیده

Support Vector Machines (SVMs) based on hinge loss have been extensively discussed and applied to various binary classification tasks. These SVMs achieve a balance between margin maximization and the minimization of slack due to outliers. Although many efforts have been dedicated to enhancing the performance of SVMs with hinge loss, studies on $p$SVMs, soft-margin SVMs with $p$-norm hinge loss, remain relatively scarce. In this paper, we explore the properties, performance, and training algorithms of $p$SVMs. We first derive the generalization bound of $p$SVMs, then formulate the dual optimization problem, comparing it with the traditional approach. Furthermore, we discuss a generalized version of the Sequential Minimal Optimization (SMO) algorithm, $p$SMO, to train our $p$SVM model. Comparative experiments on various datasets, including binary and multi-class classification tasks, demonstrate the effectiveness and advantages of our $p$SVM model and the $p$SMO method. Code is available at https://github.com/CoderBak/pSVM.

چکیده به فارسی (ترجمه ماشینی)

دستگاه های بردار پشتیبانی (SVM) بر اساس از بین رفتن لولا به طور گسترده مورد بحث قرار گرفته و در کارهای مختلف طبقه بندی باینری اعمال می شوند.این SVM ها بین حداکثر رساندن حاشیه و به حداقل رساندن SLACK به دلیل خارج از کشور تعادل برقرار می کنند.اگرچه تلاش های زیادی برای تقویت عملکرد SVM ها با ضرر لولا اختصاص داده شده است ، مطالعات روی SVM های P $ P ، SVM های حاشیه ای نرم با ضرر لولای $ P $ ، نسبتاً کمیاب هستند.در این مقاله ، ما به بررسی ویژگی ها ، عملکرد و الگوریتم های آموزش SVM های $ P $ می پردازیم.ما ابتدا به میزان تعمیم از $ p $ svms استخراج می کنیم ، سپس مشکل بهینه سازی دوگانه را تدوین می کنیم و آن را با رویکرد سنتی مقایسه می کنیم.علاوه بر این ، ما در مورد یک نسخه کلی از الگوریتم بهینه سازی حداقل بهینه سازی (SMO) ، $ P $ SMO ، برای آموزش مدل S $ P $ SVM بحث می کنیم.آزمایش های تطبیقی ​​در مجموعه داده های مختلف ، از جمله وظایف طبقه بندی باینری و چند طبقه ، اثربخشی و مزایای مدل S $ P $ SVM و روش SMO $ P $ را نشان می دهد.کد در https://github.com/coderbak/psvm در دسترس است.