通过平滑的稀疏促进正则化的平方铰链损失最小化，研究了支持向量机的训练，并应用了基于主要化最小化方法的快速训练方法，提高了特征选择的性能，并在定量指标（准确率、精确率、召回率和 F1 值）以及计算成本方面表现出良好的性能。

Aug, 2023

本研究使用限制生成方法为高维数据提供可靠的分类算法，并选择有竞争力的特征。

Jun, 2023

该论文提出了一种基于核的随机梯度下降算法，在训练过程中进行模型选择，不需任何形式的交叉验证或参数调整，并利用在线学习理论在数据相关性方面进行正则化的估计，证明了标准光滑性假设下的最优收敛速度。

Jun, 2014

本文讨论了用于二分类问题的支持向量机（SVM）中 $l_0$-norm hinge loss 和 ADMM 算法， 证明了其等价关系和局部最优解，并对比了实验结果。

Jun, 2023

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

支持向量机（SVM）是一种流行的用于数据分类的核方法，本文提出一种基于最佳子空间的最小距离的新方法，以解决 SVM 存在的时间处理、高维情况下优化过程失败、多类别泛化、不平衡类别和动态分类的问题，并取得了类似的性能改进。

Aug, 2023

我们提出了一种新颖的支持向量机模型，通过在问题表达中引入性能约束来考虑误分类成本。具体而言，我们的目标是寻求具有最大间隔的超平面，使得误分类率低于给定的阈值。通过解决一个具有线性约束和整数变量的二次凸问题来获得最大间隔超平面。我们的实验结果表明，我们的模型可以使用户在一个类别上对误分类率进行控制，并且运行时间可行。

Dec, 2023

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

支持向量机 (SVM) 是一种科学和工程中广泛使用的最先进的分类方法，本文提出了一种基于自动调节优化框架的方法来量化 SVM 中超参数的范围，以确定它们的最佳选择，并将该框架应用于混合核函数的智能像素数据集和混合核异质结晶体管 (MKH) 数据集，实验结果表明超参数的最佳选择对于不同的应用和数据集有很大的差异，未知的超参数 C 和 coef0 会导致严重的低准确率，该方法可以有效地量化超参数的合适范围并确定其最佳选择来实现最高准确率，高能物理 (HEP) 应用的最高准确率达到 94.6％，MKH 应用的平均准确率为 97.2％且调优时间大大减少。

Jun, 2024

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