パターン分類のための、疎なε非感応帯により境界づけられた非対称弾性ネット支持ベクターマシン

要旨: 既存のサポートベクターマシン（SVM）モデルはノイズに敏感で、疎性（スパース性）が欠けているため、性能が制限されます。これらの問題に対処するために、弾性ネット損失とロバスト損失の枠組みを組み合わせて、疎な\(\varepsilon\)-不感帯（insensitive）付き有界非対称弾性ネット損失を構成し、それをSVMに統合して、\(\varepsilon\) 不感帯 有界 非対称 弾性ネット損失ベース SVM（\(\varepsilon\)-BAEN-SVM）を構築します。\(\varepsilon\)-BAEN-SVMは、疎性とロバスト性の両方を備えています。\(\varepsilon\) 不感帯の中にあるサンプルがサポートベクタにならないことを示すことで、疎性を証明します。影響関数（influence function）が有界であるため、ロバスト性は理論的に保証されます。非凸最適化問題を解くために、クリッピング付きの双対座標降下に基づく半2次（half-quadratic）アルゴリズムを設計します。これは問題を一連の重み付き部分問題へと変換し、\(\varepsilon\) パラメータによって計算効率を向上させます。シミュレーションデータおよび実データセットでの実験により、\(\varepsilon\)-BAEN-SVMが従来のロバストSVMおよび既存のロバストSVMよりも優れていることが示されます。これはノイズ環境において疎性とロバスト性のバランスを良好に取ります。統計的検定により、その優位性が確認されます。ガウスカーネルのもとでは、より高い精度とノイズ不感性を達成し、有効性と実用的価値を検証します。