Nâng cao hiệu năng SVM tăng cường thông qua quy tắc lọc mẫu an toàn.

Abstract

Mặc dù các kỹ thuật lọc mẫu an toàn đã đạt được nhiều thành công đối với SVM cổ điển và một số biến thể khác của SVM, các phương pháp hiện có hầu như chưa được phát triển cho Robust SVM trong trường hợp nhiễu đặc trưng được mô hình hóa bằng các tập bất định. Khoảng trống này đặt ra yêu cầu cần có một khuôn quy tắc lọc mẫu an toàn phù hợp với cấu trúc tối ưu hóa đặc thù của Robust SVM, nhằm giảm chi phí huấn luyện mà vẫn đảm bảo giữ nguyên nghiệm tối ưu. Trên cơ sở đó, luận văn đã xây dựng toàn bộ khung bài toán đối ngẫu và các điều kiện tối ưu KKT của Robust SVM, từ đó thiết lập quy tắc lọc mẫu lý tưởng thông qua việc xác định hai cận an toàn dựa trên miền an toàn (Gap-safe Ball) cho mô hình. Bên cạnh đó, luận văn cũng tập trung triển khai vào thực nghiệm với Python để đánh giá trên dữ liệu thực tế nhằm kiểm chứng tính khả thi và hiệu quả của lý thuyết đã đề xuất, qua đó lấp đầy khoảng trống nghiên cứu hiện có và mở rộng phạm vi áp dụng của kỹ thuật lọc mẫu an toàn cho các bài toán học máy.