나는 부정적인 데이터가 없다는 것을 염두에두고 단일 클래스 SVM (OSVM)이 제안되었고, 그들은 긍정적 세트와 부정적인 앵커 포인트를 분리하는 결정 경계를 찾으려고 노력한다는 것을 이해합니다.
2011 년의 연구는 OSVM과는 다른 "범주 별 분류기"를 훈련시키는 ESVM ( Exemplar SVM )을 제안 합니다. 계산 " 이것이 의미하는 바와 ESVM이 OSVM과 어떻게 다른지 잘 모르겠습니다. 그래서 어떻게 다릅니 까? 그리고 ESVM에서이 유사성 커널 계산을 어떻게 피할 수 있습니까?
답변:
(먼저 아래의 "표"를보고 싶을 수도 있습니다)
"클래식"지원 벡터 머신부터 시작하겠습니다. 이들은 두 범주를 구별하는 법을 배웁니다. 카테고리 A의 일부 예와 카테고리 B의 일부 예를 수집하여 둘 다 SVM 훈련 알고리즘으로 전달합니다.이 알고리즘은 A와 B를 가장 잘 구분하는 선 / 평면 / 고 평면을 찾습니다. 당신은 잘 정의 된 클래스와 상호 배타적 인 클래스 (남성 대 여자, 알파벳 글자 등)를 구별하려고합니다.
그러나 대신 "A"를 식별하려고한다고 가정하십시오. 이것을 분류 문제로 취급 할 수 있습니다. "A"와 "not-A"를 어떻게 구별합니까? 개 사진으로 구성된 훈련 세트를 수집하는 것은 상당히 쉽지만 개가 아닌 훈련 세트에는 무엇이 있어야합니까? 개가 아닌 수많은 것들이 있기 때문에 개가 아닌 것들에 대한 포괄적이고 대표적인 훈련 세트를 구성하는 데 어려움을 겪을 수 있습니다. 대신 1 클래스 분류기를 사용하는 것이 좋습니다. 기존의 2 클래스 분류기는 A와 B를 분리하는 (하이퍼) 평면을 찾습니다. 대신 1 클래스 SVM은 모든 동급 포인트 ( "A")를 원점에서 분리하는 선 / 평면 /과 평면을 찾습니다. ;
Ensemble SVM "시스템"은 실제로 많은 2 클래스 SVM "서브 유닛"의 모음입니다. 각 소단위는 하나를 사용하여 훈련한 클래스에 대한 긍정적 인 예와 다른 클래스에 대한 부정적인 예의 거대한 모음. 따라서 개와 개가 아닌 예 (표준 2 종 SVM) 또는 개와 원산지 (1 종 SVM)를 구별하는 대신 각 하위 단위는 특정 개 (예 : "Rex")와 많은 개를 구별합니다. 예. 개별 서브 유닛 SVM은 포지티브 클래스의 각 예에 대해 훈련되었으므로 Rex에 대한 SVM, Fido에 대한 SVM, 오전 6시에 짖는 이웃의 개에 대한 SVM이 있습니다. 이들 서브 유닛 SVM의 출력은 교정되고 결합되어 특정 예시 중 하나가 아니라 개가 시험 데이터에 나타나는지 여부를 결정합니다. 개별 서브 니트를 단일 클래스 SVM과 비슷하게 생각할 수 있다고 생각합니다. 좌표 공간이 이동하여 단일 긍정적 예가 원점에 위치합니다.
요약하면 주요 차이점은 다음과 같습니다.
Postscript : "[다른 접근 방식]에서는 유사 커널을 계산할 수있는 공통 피처 공간에 예제를 매핑해야합니다." 나는 그들이 클래스의 모든 멤버는 어떻게 든 유사하다는 기존의 두 클래스 SVM는 가정하에 동작하는 것을 의미한다 생각하고, 당신이 커널을 발견 할 수 있도록 그 장소 위대한 덴마크 와 dachsunds 멀리 다른 모든 것들에서 서로 가까이 있지만. 대조적으로, 앙상블 SVM 시스템은 예를 들어 덴마크 인이나 닥스 훈트 형 또는 푸들 형과 같이 충분히 훌륭한 경우 개를 호출함으로써 이러한 예시를 회피합니다.
요컨대, ESVM 모델은 각각의 단일 트레이닝 세트 요소를 나머지 모든 것과 구별하도록 훈련 된 SVM의 앙상블이며, OSVM은 하나의 클래스에 속하는 트레이닝 요소의 각 서브 세트를 구별하도록 훈련 된 SVM의 앙상블입니다. 따라서 훈련 세트에 300 개의 고양이와 300 개의 개 예제가있는 경우 ESVM은 각각 한 애완 동물에 대해 600 개의 SVM 을 만들지 만 OSVM은 두 개의 SVM 을 만듭니다 (모든 고양이에 대해 첫 번째, 모든 개에 대해 두 번째).
이런 식으로 ESVM은 전체 클래스가 클러스터되는 공간을 찾을 필요가없고이 단일 요소가 특이 치인 공간을 찾을 필요가 없습니다. 리콜은 앙상블에서 제공한다고합니다.