Avances en máquinas de vectores de soporte para el aprendizaje multiexperto

Abstract

En escenarios de aprendizaje supervisado, algunas aplicaciones requieren resolver un problema de clasificación donde las etiquetas no se proporcionan como una única verdad fundamental. En cambio, se utilizan los criterios de un conjunto de expertos para proporcionar etiquetas que compensen la influencia errónea de un único etiquetador, así como el sesgo de error (excelente o deficiente) debido al nivel de percepción y experiencia de cada experto. Este artículo tiene como objetivo describir brevemente los desarrollos matemáticos de las máquinas de vectores de soporte (SVM) y ofrecer una visión general de los enfoques basados en SVM para el aprendizaje con múltiples expertos (MEL). Dichos enfoques MEL se plantean modificando la formulación de una SVM de mínimos cuadrados, lo que permite obtener un conjunto de etiquetas fiables y objetivas, penalizando al mismo tiempo la calidad de la evaluación de cada experto. En particular, este trabajo estudia tanto el clasificador MEL de dos clases (binario) (BMLC) como su extensión a multiclase mediante uno contra todos (OaA-MLC), incluyendo la penalización de la influencia de cada experto. Se exponen los desarrollos matemáticos formales y se proporciona una discusión relevante sobre aspectos clave de la formulación de la SVM de mínimos cuadrados y los factores de penalización.