Neues Modell TMvRKM verbessert Multiview-Klassifikation mit Kernel-Ansatz

In der aufstrebenden Disziplin des Multiview-Lernens, bei dem Modelle aus mehreren Perspektiven lernen, haben sich Support‑Vector‑Machine‑Ansätze als besonders erfolgreich erwiesen. Dennoch stoßen sie häufig an Grenzen: die Erfassung komplexer Entscheidungsgrenzen in hochdimensionalen Räumen, die Abhängigkeit von großen quadratischen Programmierungsproblemen und die Anfälligkeit für Fehler sowie Unstimmigkeiten zwischen den Ansichten erschweren die Praxis.

Die neu vorgestellte Multiview Twin Restricted Kernel Machine (TMvRKM) kombiniert die Kraft von Kernel‑Methoden mit einem robusten Multiview‑Framework. Anstatt riesiger QPPs zu lösen, bestimmt TMvRKM die optimale Trennhyperfläche über einen regulierten Least‑Squares‑Ansatz, was die Rechenzeit deutlich reduziert und gleichzeitig die Klassifikationsleistung steigert.

Ein zentrales Merkmal ist der Kopplungsterm im Primärziel, der Fehler gleichmäßig über alle Ansichten verteilt. Durch die Integration von Early‑ und Late‑Fusion nutzt TMvRKM die kollektive Information aller Perspektiven während des Trainings, bleibt dabei aber flexibel gegenüber spezifischen Unterschieden einzelner Ansichten.

Die Leistungsfähigkeit des Modells wurde an etablierten Benchmark‑Datensätzen wie UCI, KEEL und AwA getestet. Die Ergebnisse zeigen, dass TMvRKM sowohl die Generalisierungsfähigkeit als auch die Effizienz gegenüber traditionellen Kernel‑basierten Verfahren deutlich verbessert.