Earticle

초록

한국어

본 논문은 최근 컴퓨터 비전 및 기계학습 분야에 활용되는 분류기 중 가장 널리 이용되는 SVM 분류기의 성능 향상을 위한 새로운 알고리즘을 제안한다. SVM 분류기의 기본적 개념은 분류함수에 대한 입력 특징 벡터의 soft 마진 비용을 최소화하는 것으로 정의할 수 있다. 이러한 접근법으로부터 구축된 분류 함수의 모델은 주어진 학습 데이터에 대한 효율적인 결정 경계를 제공하지만, 각 특징 벡터와 주변 특징 벡터 간의 구조적·분포적 특성을 반영할 수 없어 이상점에 의해 영향을 받게 된다. 본 연구에서는 이러한 SVM분류기가 갖는 단점을 보완하기 위해 각 특징 벡터의 분포에 따른 가중치를 부여하여 주변 특징 벡터들과의 나타나는 분포적 특징을 반영하도록 하였다. 또한 본 연구에서 정의한 effectiveness 요소를 통해 분류 모델의 결정 경계를 보다 효과적으로 선택할 수 있도록 하였다. 제안한 알고리즘의 성능 검증을 위해 MNIST 데이터에 대한 다 부류 분류를 수행하였으며, 그 결과 기존의 SVM 분류기보다 향상된 분류 성능을 달성하였다.

영어

In this paper, we proposed a new SVM model for classification based on analysis of weight and effectiveness of a certain feature vector. The standard SVM approach used a concept of minimization of geometric soft margin between input feature vector and classification function. Although the classical approach builds a classification function to pro-vide efficient decision boundary, this model is easily affected by outliers because each support vector cannot reflect structural or distributional properties of input data. To overcome defects of the classical SVM approach, a new model is derived from weighting scheme based on geometrical relation of nearby feature vectors and data distribution of input feature vectors. The proposed model was verified by using the effectiveness factor that helps to build classification function to provide effective global decision boundary. We evaluated our weighted SVM model using effectiveness factor for multi-class classification and achieved higher accuracy than classical SVM model using the MNIST dataset.

목차

요약
 Abstract
 1. 서론
 2. SVM 듀얼 최적화의 줄어든 볼록 껍질 해석
  2.1 표준 SVM
  2.2 표준 SVM의 볼록 껍질 해석
  2.3 가중치 SVM의 볼록 껍질 해석
  2.4 가중치 설정
 3. 특징 벡터의 effectiveness
  3.1 Effectiveness 요소를 포함한 듀얼 공식화
  3.2 Effectiveness 요소의 설정
 4. 제안하는 SVM 모델의 듀얼 공식화
 5. 실험 결과
 6. 결론
 감사의 글
 참고문헌

저자

• 최민국 [ Min-Kook Choi | 인하대학교컴퓨터정보공학과 ]
• 이현규 [ Hyun-Gyu Lee | 인하대학교컴퓨터정보공학과 ]
• 이상철 [ Sang-Chul Lee | 인하대학교컴퓨터정보공학과 ]

참고문헌