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
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
该论文介绍了一种新的和灵活的分析框架，可用于证明任意再生核希尔伯特空间中的支持向量机，并且在独立亚高斯特征和一般有界正交系统家族（例如傅里叶特征）中的特征两个方面都表现出支持向量增殖现象，这些实验未能覆盖。
May, 2023
支持向量机（SVM）是机器学习中分类和回归问题中最研究的范例之一。矩阵格式的真实世界数据往往在 SVM 中通过将矩阵转化为向量的方式输入，但转化过程中会破坏矩阵数据中的空间关联性，并导致高维度的输入数据引入了显著的计算复杂度。为了克服这些问题，提出了支持矩阵机（SMM），该方法通过使用核范数和弗罗贝尼乌斯范数的光谱弹性网方法来保留矩阵数据的结构信息。本文首次深入分析了 SMM 模型的发展，可供初学者和专家使用的全面摘要。我们讨论了各种 SMM 变体，如鲁棒、稀疏、类别不平衡和多类别分类模型。我们还分析了 SMM 模型的应用，并通过概述潜在的未来研究方向和可能性来总结本文，以促使学术界推动 SMM 算法的发展。
Oct, 2023
本论文对于基于支持向量机 (SVM) 及其变种的类不平衡学习方法进行了综述，将 SVM-based 模型按照类不平衡学习进行了层次分类，并比较了各个类别中各种模型的性能，发现融合方法表现最好，但计算负荷较大。对研究空白和未来研究方向进行了讨论。
Jun, 2024
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
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
本文提出了一种利用不确定核的支持向量机分类方法，该算法可以同时计算支持向量和代理核矩阵，保持问题凸性并可以使用梯度投影或解析中心切割平面方法有效地求解较大的问题，在经典数据集上与其他方法的性能比较表明本技术的性能优于其他方法。
Apr, 2008
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
通过最大最小问题设计这个变分问题的目标函数，我们将二元分类器的最优问题视为一个变分问题，并推导出 SVM 是这个变分问题框架的一个特例。然而，对于非线性分类，提出的变分问题在欧氏距离方面存在一些限制，因此如何设计更合适的目标函数来寻找最优二元分类器仍然是一个开放问题。进一步讨论了寻找最优分类器中的一些挑战和问题。