Um novo framework para treinamento de Support Vector Machines (SVM) e suas aplicações

Abstract

RESUMO: Apresentamos um framework unificado para resolver problemas de treinamento não lineares de Support Vector Machines (SVM). O framework é baseado em uma aproximação da função objetivo, tornando o problema separável, e utiliza métodos de busca por um zero de uma função de baixo custo computacional para resolver os subproblemas resultantes. Devido à diagonalização da função objetivo no primeiro estágio do framework, nomeamos o novo solucionador de DiagSVM. Para testar o desempenho do DiagSVM, realizamos experimentos numéricos preliminares com conjuntos de dados de benchmark. A partir dos resultados, escolhemos a melhor combinação utilizada no framework para resolver o problema de Classificação de Lesões Cutâneas (CLC). Dado que o melanoma (câncer de pele) é a doença mais perigosa e mortal que afeta a pele, a aplicação do DiagSVM pode ser integrada em vários sistemas de diagnóstico assistido por computador (CAD) para ajudar na detecção do câncer de pele e reduzir significativamente a morbidade e mortalidade associadas a essa doença. Abordagens baseadas em aprendizado de máquina (ML) e aprendizado profundo (DL) têm sido amplamente utilizadas para desenvolver sistemas robustos de classificação de lesões cutâneas. Para o problema CLC, três redes neurais convolucionais (CNN) pré-treinadas – Xception, InceptionResNetV2 e DenseNet201 – foram empregadas como extratores de características, e suas dimensões foram reduzidas usando Análise de Componentes Principais (PCA), Análise de Componentes Principais de Kernel (KPCA) e Análise de Componentes Independentes (ICA). Para validar a proposta, comparamos o DiagSVM com o solucionador popular na literatura, o Libsvm.

ABSTRACT: We present a unified framework for solving nonlinear Support Vector Machines (SVM) training problems. The structure is based on an objective function approximation so that the Problem becomes separable, with low computational cost root-finding methods to solve the resulting subproblems. Due to the diagonalization of the objective function in the first stage of the framework, we named the new SVM solver DiagSVM. To test the performance of DiagSVM, we report preliminary numerical experiments with benchmark datasets. Based on the results, we chose the best combination used in the framework to solve the Skin Lesions Classification (CLC) problem. Since melanoma (skin cancer) is the most dangerous and deadly disease affecting the skin, the DiagSVM application can be integrated into various computer-aided diagnosis (CAD) systems to help them detect skin cancer and reduce significantly reduce associated morbidity and mortality. with this disease. Machine learning (ML) and deep learning (DL)-based approaches have been widely used to develop robust skin lesion classification systems. For the CLC problem, three pre-trained convolutional neural networks (CNN), Xception, InceptionResNetV2 and DenseNet201, were employed as feature extractors and their dimension was reduced using Principal Component Analysis (PCA), Kernel Principal Component Analysis (KPCA ) and Independent Component Analysis (ICA). To validate the proposal, we compared DiagSVM with the very popular solver in the literature, Libsvm.