ترجمه فارسی مقاله یادگیری چندنمایی با حاشیه پارامتری دوقلوی SVM

چکیده

Multiview learning (MVL) seeks to leverage the benefits of diverse perspectives to complement each other, effectively extracting and utilizing the latent information within the dataset. Several twin support vector machine-based MVL (MvTSVM) models have been introduced and demonstrated outstanding performance in various learning tasks. However, MvTSVM-based models face significant challenges in the form of computational complexity due to four matrix inversions, the need to reformulate optimization problems in order to employ kernel-generated surfaces for handling non-linear cases, and the constraint of uniform noise assumption in the training data. Particularly in cases where the data possesses a heteroscedastic error structure, these challenges become even more pronounced. In view of the aforementioned challenges, we propose multiview twin parametric margin support vector machine (MvTPMSVM). MvTPMSVM constructs parametric margin hyperplanes corresponding to both classes, aiming to regulate and manage the impact of the heteroscedastic noise structure existing within the data. The proposed MvTPMSVM model avoids the explicit computation of matrix inversions in the dual formulation, leading to enhanced computational efficiency. We perform an extensive assessment of the MvTPMSVM model using benchmark datasets such as UCI, KEEL, synthetic, and Animals with Attributes (AwA). Our experimental results, coupled with rigorous statistical analyses, confirm the superior generalization capabilities of the proposed MvTPMSVM model compared to the baseline models. The source code of the proposed MvTPMSVM model is available at url{https://github.com/mtanveer1/MvTPMSVM}.

چکیده به فارسی (ترجمه ماشینی)

یادگیری چند منظوره (MVL) به دنبال بهره گیری از مزایای دیدگاه های متنوع برای تکمیل یکدیگر ، استخراج و استفاده از اطلاعات نهفته در مجموعه داده است.چندین مدل MVL مبتنی بر دستگاه وکتور پشتیبانی دوقلوی (MVTSVM) معرفی شده و عملکرد برجسته ای را در کارهای مختلف یادگیری نشان داده است.با این حال ، مدلهای مبتنی بر MVTSVM به دلیل چهار وارونگی ماتریس ، نیاز به اصلاح مشکلات بهینه سازی به منظور به کار بردن سطوح تولید شده از هسته برای رسیدگی به موارد غیر خطی و محدودیت فرض یکنواخت سر و صدای یکنواخت ، در قالب پیچیدگی محاسباتی با چالش های مهمی روبرو هستند.داده های آموزشبه ویژه در مواردی که داده ها دارای یک ساختار خطای ناهمگن هستند ، این چالش ها حتی بیشتر برجسته می شوند.با توجه به چالش های فوق الذکر ، ما دستگاه بردار پشتیبانی حاشیه پارامتری چند منظوره چند منظوره (MVTPMSVM) را پیشنهاد می کنیم.MVTPMSVM Hyperplanes حاشیه پارامتری مربوط به هر دو کلاس را با هدف تنظیم و مدیریت تأثیر ساختار نویز هتروسکوپی موجود در داده ها می سازند.مدل MVTPMSVM پیشنهادی از محاسبه صریح وارونگی ماتریس در فرمولاسیون دوگانه جلوگیری می کند و منجر به افزایش کارایی محاسباتی می شود.ما ارزیابی گسترده ای از مدل MVTPMSVM را با استفاده از مجموعه داده های معیار مانند UCI ، Keel ، مصنوعی و حیوانات با ویژگی ها (AWA) انجام می دهیم.نتایج تجربی ما ، همراه با تجزیه و تحلیل آماری دقیق ، قابلیت های تعمیم برتر مدل MVTPMSVM پیشنهادی را در مقایسه با مدل های پایه تأیید می کند.کد منبع مدل MVTPMSVM پیشنهادی در url {https://github.com/mtanveer1/mvtpmsvm} در دسترس است.