提出了一种名为 ODM 的新方法，旨在通过优化边际分布来实现更好的普适性能，是一种可以应用在 SVM 的任何地方的一般学习方法。该方法利用边际平均值和方差来表征边际分布，该方法的优越性在理论和实践中均得到验证。

Apr, 2016

本文提出的可扩展 ODM 方法，在拥有非线性内核的情况下，引入了分布感知分区方法以使得局部训练集更容易逐渐逼近全局最优解，并在使用线性内核时，利用了通信高效的 SVRG 算法来进一步加速训练进程。大量实验证明，该提出的方法具有高度的计算效率，几乎不会影响泛化性能。

May, 2023

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

为了解决深度学习在类别分布不平衡的情况下训练表现差的问题，本研究提出了两种新的方法：一、设计了基于理论的标签分布感知边界 (LDAM) 损失函数；二、提出了一种简单而有效的训练策略来推迟重新加权，并在减轻权重的复杂性的同时实现模型对初始表示的学习，实验结果表明这两种方法能够提高模型性能。

Jun, 2019

我们提出了一种新的多类支持向量机方法，通过考虑两两类别损失，并最大化最小的间隔，实现多类别分类。我们的方法在深度学习中类似于 softmax 的概念，可以作为深度学习中网络参数学习的有效增强。实证评估结果表明，我们的方法在现有的多分类方法上具有明显的优势。

Dec, 2023

本文设计了一种新的最大边距 (MM) 损失函数来解决类不平衡数据中存在的分类不平衡问题，并探讨了两种基于最大边界的决策边界位移方法在 LDAM 训练日程上的表现。

Jun, 2022

本文提出一种最大间隔分类器 SVM-GSU，使用多维高斯分布描述每个训练样本，以处理数据输入中的不确定性，并使用随机梯度下降方法高效地解决凸优化问题。通过测试，证明该方法的有效性。

Apr, 2015

支持向量机（SVM）是用于二分类的广泛研究的监督学习模型。半监督支持向量机（S3VMs）通过利用有标签和无标签数据，扩展了传统的 SVM 分类器，旨在在存在无标签数据的情况下最大化样本间的边界，以实现比传统 SVM 更高的准确性和鲁棒性。本文提出了一种新的基于半定规划（SDP）松弛的 S3VMs 分支定界方法。我们应用基于最优性的界限加强方法来限制可行集。箱约束使我们能够包括有效不等式，增强下界。与文献中提供的界限相比，所得到的 SDP 松弛提供了显著更强的界限。至于上界，则利用 SDP 松弛的解定义局部搜索。计算结果突显了该算法的效率，展示其解决数据点数量比文献中的解决数量多 10 倍的实例的能力。

Dec, 2023

本文提出了一种基于核的判别式学习框架，使用概率分布作为训练数据，通过将概率分布表示为再生核希尔伯特空间中的平均嵌入，可以应用许多标准的基于核的学习技术，构造了一种支持测量机，提出了一种灵活的支持向量机，实验结果表明所提出的框架有效。

Feb, 2012

本论文提出了最大间隔深度生成模型（mmDGMs），它利用最大间隔学习原理来提高深度生成模型的辨别力，同时保留了生成能力。实验结果表明，最大间隔学习可以显著提高深度生成模型的预测性能，同时保留生成能力。同时，通过使用深度卷积神经网络作为识别和生成模型，mmDGM 在 MNIST 和 SVHN 数据集上的表现与最先进的完全辨别网络相当竞争力。

Apr, 2015