本研究提出了一种新的自动，非监督的方法来选择高斯核带宽以优化 Support vector data description (SVDD) 算法的性能。

Aug, 2017

通过扩展支持向量数据描述（SVDD）的深度学习变体，我们使用自监督学习构建基于补丁的方法来实现图像异常检测和分割，并在 AUROC 上展示了比以往最先进方法提高了 9.8％和 7.0％的检测和分割性能。

Jun, 2020

本文研究了使用支持向量回归（SVR）来预测 International Software Benchmarking Standards Group（ISBSG）Release 2018 数据集中新软件项目的缺陷密度（DD），实验表明 v-SVR 与多项式核比简单线性回归（SLR）在第三代编程语言下开发主机上的新软件项目的预测准确性更好。

Dec, 2018

支持向量机是一种在高维空间中处理分散数据进行分类的重要工具，本研究中利用基于三角函数或小波的特征映射来解决 SVM 问题，并通过多元基函数的限制实现计算效率的提升和解释性强的模型。同时，通过数值实例验证，使用 L1 范数正则化可以在准确性和解释清晰度方面获得更好结果。

Feb, 2024

本文提出了一种高效的核存活支持向量机 (SSVM) 训练算法，通过直接优化主要目标函数，采用截断牛顿优化和随机统计树，降低了与现有训练算法相比的计算复杂度，并证明其可以用于规模更大的数据。

Nov, 2016

该论文提出了一种名为 OCSMMs 的分类器，可以用于识别数据点的异常聚合行为，该分类器将正常行为视为极端少数事件，并生成一个概率分布进行判定。论文连接了大边界方法和核密度估计，提出以分布量化估计的方式解决问题。在 Sloan 数码天景调查数据集和高能物理学数据集上开展的实验表明了该框架在实际应用中的好处。

Mar, 2013

本篇研究提出了一种基于深度图流支持向量数据描述的方法，针对现有工作中长时间延迟模式捕获不足、传感器连接动态变化被忽视以及高维数据样本困扰，采用变分图自编码器模型并建立加权属性图以及超球面，其在各项实验中表现优异，将 F1-score 提升 35.87%、AUC 提升 19.32% 且训练和推断速度比最佳基线快 32 倍。

Feb, 2023

本文介绍了一种适应于 Subspace Support Vector Data Description（S-SVDD）的 Newton 方法的改进。通过利用 Newton 方法增强数据映射和描述，以实现基于子空间学习的一类分类的优化。实验证明，该优化策略在大多数情况下优于基于梯度的 S-SVDD。

Sep, 2023

通过随机分析正则化参数的行为，本文将 SVM 的性能建模为数据的可分性和散乱性比率的函数。该比率可以自动检测线性或非线性可分性，并提供优化的正则化参数和核函数及其参数，从而将 CV 网格搜索的计算复杂性仅减少到一次使用 SVM，真实数据集的模拟结果证实了该方法在计算复杂性方面的优越性和高效性。

May, 2023

通过实证研究表明，深度学习模型中的深度支持向量（Deep Support Vectors，DSVs）类似于支持向量机（Support Vector Machines，SVM）中的支持向量，从而为解释模型的决策标准提供了一种切实可行的方法。此外，我们的发现表明，可以使用 DSVs 有效地重建模型，类似于 SVM 的过程。代码将会提供。

Mar, 2024