طبقه بند تك كلاسه گرانش گراي مبتني بر ماشين بردار پشتيبان

در اين مقاله يك طبقه‌بند تك‌ كلاسه مبتني بر مرز با الهام از طبقه‌بند توصيف‌گر داده مبتني بر بردار پشتيبان (SVDD) ارائه شده است. در طبقه‌بند SVDD حتي زماني كه نمونه‌هاي پرت به بيرون از مرز رانده مي‌شوند، باز هم اين نمونه‌ها بر مرز طبقه‌بند اثر مي‌گذارند و اين مسئله باعث افزايش خطاي طبقه‌بند مي‌شود. در طبقه‌بند پيشنهادي به گرانش نمونه‌هاي آموزش اهميت داده مي‌شود و همچنين همه نمونه‌ها در تعيين مرز طبقه‌بند دخالت دارند. بر اين مبنا دو طبقه‌بند كه در يكي دانش در مورد نمونه‌هاي پرت نيز در نظر گرفته مي‌شود، پيشنهاد شده است. مسئله بهينه‌سازي مطرح در طبقه‌بند پيشنهادي علاوه بر اين كه تحدب را حفظ مي كند، در حوزه كرنل نيز به سهولت قابل استفاده است. پس از معرفي طبقه‌بند پيشنهادي و حل مسئله بهينه‌سازي آن، چگونگي تغييرات مرز طبقه‌بند پيشنهادي در مقابل تغييرات پارامترهاي مدل بررسي مي‌شود. نتايج آزمايش‌ها در مقايسه با دو طبقه‌بند SVDD و Density Induced SVDD نشان مي‌دهد كه روش پيشنهادي در كاهش اثر نمونه‌هاي پرت موفق بوده است.