ترجمه فارسی مقاله تقویت هم افزایی Multiview: یادگیری قوی با بهره برداری از تابع اتلاف موج با اصول اجماع و مکمل

چکیده

Multiview learning (MvL) is an advancing domain in machine learning, leveraging multiple data perspectives to enhance model performance through view-consistency and view-discrepancy. Despite numerous successful multiview-based SVM models, existing frameworks predominantly focus on the consensus principle, often overlooking the complementarity principle. Furthermore, they exhibit limited robustness against noisy, error-prone, and view-inconsistent samples, prevalent in multiview datasets. To tackle the aforementioned limitations, this paper introduces Wave-MvSVM, a novel multiview support vector machine framework leveraging the wave loss (W-loss) function, specifically designed to harness both consensus and complementarity principles. Unlike traditional approaches that often overlook the complementary information among different views, the proposed Wave-MvSVM ensures a more comprehensive and resilient learning process by integrating both principles effectively. The W-loss function, characterized by its smoothness, asymmetry, and bounded nature, is particularly effective in mitigating the adverse effects of noisy and outlier data, thereby enhancing model stability. Theoretically, the W-loss function also exhibits a crucial classification-calibrated property, further boosting its effectiveness. Wave-MvSVM employs a between-view co-regularization term to enforce view consistency and utilizes an adaptive combination weight strategy to maximize the discriminative power of each view. The optimization problem is efficiently solved using a combination of GD and the ADMM, ensuring reliable convergence to optimal solutions. Theoretical analyses, grounded in Rademacher complexity, validate the generalization capabilities of the Wave-MvSVM model. Extensive empirical evaluations across diverse datasets demonstrate the superior performance of Wave-MvSVM in comparison to existing benchmark models.

چکیده به فارسی (ترجمه ماشینی)

Learning Multiview (MVL) یک دامنه پیشبرد در یادگیری ماشین است و از چندین دیدگاه داده برای افزایش عملکرد مدل از طریق دیدگاه و دیدگاه و نمایش استفاده می کند.با وجود بسیاری از مدلهای SVM مبتنی بر چند منظوره موفق ، چارچوب های موجود عمدتاً روی اصل اجماع تمرکز می کنند ، که اغلب از اصل مکمل غافل می شوند.علاوه بر این ، آنها استحکام محدودی در برابر نمونه های پر سر و صدا ، مستعد خطا و مشاهده ، در مجموعه داده های چند منظوره شایع هستند.برای مقابله با محدودیت های فوق الذکر ، این مقاله Wave-MVSVM ، یک چارچوب جدید دستگاه وکتور پشتیبانی چند منظوره را که از عملکرد از دست دادن موج (W-LOSS) استفاده می کند ، به طور خاص برای مهار هم اجماع و هم اصول مکمل معرفی می کند.بر خلاف رویکردهای سنتی که غالباً از اطلاعات مکمل در بین دیدگاههای مختلف غافل می شوند ، Wave-MVSVM پیشنهادی با ادغام مؤثر هر دو اصل ، یک فرایند یادگیری جامع و انعطاف پذیر را تضمین می کند.عملکرد W از دست دادن ، که با صافی ، عدم تقارن و طبیعت محدود آن مشخص می شود ، به ویژه در کاهش عوارض جانبی داده های پر سر و صدا و دورتر مؤثر است و از این طریق باعث افزایش ثبات مدل می شود.از لحاظ تئوریکی ، عملکرد W-LOSS همچنین یک خاصیت مهم طبقه بندی شده با کالیبره شده را نشان می دهد و باعث افزایش بیشتر اثربخشی آن می شود.Wave-MVSVM از یک اصطلاح همبستگی بین نمای برای اجرای سازگاری استفاده می کند و از یک استراتژی وزن ترکیبی سازگار برای به حداکثر رساندن قدرت تبعیض آمیز هر دیدگاه استفاده می کند.مشکل بهینه سازی با استفاده از ترکیبی از GD و ADMM به طور مؤثر حل می شود و از همگرایی قابل اعتماد به راه حل های بهینه اطمینان می دهد.تجزیه و تحلیل نظری ، که در پیچیدگی Rademacher پایه گذاری شده است ، قابلیت های تعمیم مدل WAVE-MVSVM را تأیید می کند.ارزیابی های تجربی گسترده در مجموعه داده های متنوع ، عملکرد برتر Wave-MVSVM را در مقایسه با مدلهای معیار موجود نشان می دهد.