2차 하이퍼표면 커널 없는 큰 여유 분포 기계 기반 회귀 및 그 최소 제곱 형태

초록 ε -서포트 벡터 회귀(ε -SVR)는 예측값과 실제 값 사이의 허용 범위를 나타내는 여유를 최소화하는 데 중점을 둔 강력한 기계 학습 접근 방식입니다. 그러나 최근의 이론적 연구에서는 구조적 위험을 단순히 최소화하는 것이 반드시 잘 여유 분포를 초래하지는 않는다고 강조했습니다. 대신, 여유의 분포가 더 나은 일반화 성능을 달성하는 데 더 중요한 역할을 한다는 것이 나타났습니다. 또한, 커널 없는 기술은 커널 트릭에 비해 전반적인 실행 시간을 효과적으로 줄이고 매개변수 선택 과정을 단순화하기 때문에 중요한 이점을 제공합니다. 기존의 커널 없는 회귀 방법을 바탕으로 우리는 2차 하이퍼표면 커널 없는 큰 여유 분포 기계 기반 회귀(QLDMR)와 2차 하이퍼표면 커널 없는 최소 제곱 큰 여유 분포 기계 기반 회귀(QLSLDMR)라는 두 가지 효율적이고 강력한 접근 방식을 제시합니다. QLDMR은 ε -민감하지 않은 손실과 커다란 여유 분포 기계 기반 회귀(LDMR)와 유사한 2차 손실 함수를 모두 고려하여 여유 분포를 최적화합니다. QLSLDMR은 LSSVR(최소 제곱 서포트 벡터 기계)에 영감을 받아 부등식 제약을 등식 제약으로 변환하여 QLDMR의 계산 과정 비용을 줄이는 것을 목표로 합니다. 두 모델은 커널 없는 기술과 최적 여유 분포의 정신을 결합하였으며, 단순화 후에는 볼록하게 되어 일부 고전적 방법으로 해결할 수 있습니다. 실험 결과는 커널 없는 기술과 결합된 최적 여유 분포의 강건성, 일반화 및 효율성에서의 우수성을 입증합니다.