本文将正则化支持向量机与鲁棒优化公式进行比较，并表明它们是精确等效的。这个比较对算法和分析有影响，可以构建出保护噪声和同时控制过拟合的分类问题的更一般的类 SVM 算法，同时提供正则化 SVM 成功率鲁棒优化解释的分析证明，从而明确了鲁棒性是正则化 SVM 泛化良好的原因。

Mar, 2008

通过统计物理学方法，研究支持向量机的泛化性能，发现在简单规则上支持向量机只过度拟合弱，当输入在特征空间存在间隔时，支持向量机的性能会得到大幅增强。

Nov, 1998

提出了一种方法，通过解决拉格朗日对偶问题来形式化支持向量机（SVM）的对抗鲁棒性评估，并在 MNIST 和 Fashion-MNIST 数据集上评估了具有线性和非线性内核的 SVM 的对抗鲁棒性，结果表明该方法的可证明鲁棒性比最先进技术要好。

Jun, 2023

使用混合整数优化技术得出一种新的损失函数，使之比现有方案更好地逼近 0-1 损失函数，同时保持学习问题的凸性，具有与标准支持向量机相竞争的性能，且在存在异常值时表现更好。

Feb, 2024

介绍支持向量机及其应用，强调其稀疏解决方案，对分类和回归问题进行专门的适用，适用文本处理和生物信息学任务，同时介绍了算法推广和实际应用。

Dec, 2006

本文介绍了 Relevance Vector Machine，它是一种概率模型，其功能形式相当于 Support Vector Machine，提供完整的预测分布，并且需要更少的核函数。我们展示了如何通过变分推理在完全贝叶斯范式内构建和解决 RVM，并给出超参数的后验分布。我们用人工合成和实际例子证明了变分 RVM 的实用性和性能。

Jan, 2013

本文研究了使用支持向量机（SVM）进行函数数据分析的问题，着眼于曲线判别问题，展示了如何定义简单的内核函数以考虑数据的函数性质并导致一致的分类，实验表明考虑问题的函数特征对数据的分析是有益的。

May, 2007

使用线性代数工具，基于 Tverberg 的定理，设计了新的多类支持向量机模型，其理论保证能转化到标准支持向量机上，并利用现有二元 SVM 算法在高维空间中计算。同时，通过 Veelaert 提出的几何特征化，给出了最大间隔支持向量机的新的简单证明。

Apr, 2024

本文重新审视和改进了最大化边际的基本分类工具 SVM 的广义界限，并通过近乎匹配的下限补充了新的广义界限，从而几乎解决了 SVM 在边际方面的广义性能。

Jun, 2020

本文提出了一种双参数边距支持向量机（TPMSVM）模型来解决多类分类问题，该模型通过解决 TPMSVM 类型的模型构建分类器，并通过 Robust 优化技术来鲁棒化，初步实验结果表现良好。

Jun, 2023