利用粒度球支持向量回归实现鲁棒高效的学习

《Neural Networks》：Robust and Efficient Learning with Granular Ball Support Vector Regression

　　

Reshma Rastogi | Ankush Bisht | Sanjay Kumar | Suresh Chandra

摘要

支持向量回归（SVR）及其变体被广泛用于处理回归任务，然而，由于其解决方案涉及求解一个计算成本较高的二次规划问题，这限制了它们在许多实际应用中的适用性。此外，SVR 使用的 ?-不敏感损失函数对噪声和异常值较为敏感，从而可能对其性能产生不利影响。我们提出了基于“颗粒球”概念的“颗粒球支持向量回归”（GBSVR）来解决回归问题。这些“颗粒球”有助于简化复杂的数据空间，以便进行分类和聚类等机器学习任务；但据我们所知，它们在回归问题中的应用尚未得到充分探索。GBSVR 通过根据数据点的特征相似性将它们分组到不同的“颗粒球”中，生成一种粗糙且具有抗噪声能力的数据表示，并通过用较少的“颗粒球”替代多个数据点来降低 SVR 的计算成本。为了处理回归场景，本研究还提出了一种连续值属性的离散化方法，以帮助构建“颗粒球”。所提出方法的有效性已在多个基准数据集上进行了评估，其性能优于现有的最先进方法。所有代码均已开源发布在：GitHub 代码