Neues Verfahren AW-LSSVM verbessert Mehransichtsklassifikation

Mehransichtliches Lernen nutzt verschiedene Darstellungen derselben Instanzen, um die Klassifikationsleistung zu steigern. Dabei werden unterschiedliche Perspektiven kombiniert, um ein umfassenderes Bild zu erhalten.

Die meisten aktuellen kernelbasierten Multi‑View‑Methoden setzen auf Fusionstechniken, ohne jedoch eine explizite Kollaboration oder Co‑Regularisierung zwischen den Ansichten zu erzwingen. Dadurch bleibt die globale Zusammenarbeit begrenzt und die volle Potenzialausnutzung der Daten wird nicht erreicht.

Das neue Verfahren AW‑LSSVM – Adaptive Weighted Least‑Squares Support Vector Machine – adressiert dieses Problem. Durch eine iterative globale Kopplung wird jede Ansicht gezielt auf die schwer zu klassifizierenden Beispiele der anderen Ansichten fokussiert. Diese adaptive Gewichtung fördert ein komplementäres Lernen und stärkt die Zusammenarbeit zwischen den verschiedenen Sichtweisen.

Experimentelle Ergebnisse zeigen, dass AW‑LSSVM die meisten bestehenden kernelbasierten Multi‑View‑Methoden übertrifft. Gleichzeitig bleiben die rohen Merkmale isoliert, was das Verfahren besonders für datenschutzfreundliche Anwendungen geeignet macht.