本文介绍了一种名为 OCSSVM 的单类切片支持向量机分类器，通过使用双平面来学习目标类别决策分数的正常区域，减少误判率，提高检测新类别实例的准确性，实验结果表明，OCSSVM 在两个公共数据集上始终优于单类支持向量机，并与最先进的单类分类器表现相当甚至更好。

Aug, 2016

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

本文提出了一种新的支持向量机分类器模型参数选择方法 —— 最小最大 L2-SVC-NCH，并采用基于梯度的算法来解决该方法中的优化问题，与传统的参数选择模型相比，该方法在减少模型训练数量的同时保持了测试准确度。

Jul, 2023

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

本研究旨在设计分类器，使其在不同的自动化水平下运行时具有最佳性能。我们提出了一种用于支持向量机的算法，它有近似保证，并对合成和现实数据进行了实验证明，说明在人类协助下，训练以不同自动化水平运行的管理学习模型可以优于全自动化的模型和单独操作的人类，为这个目标展开了新的思路。

Jun, 2020

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

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

本文提出了一种基于最小最大优化问题的 SVD-QCQP 原始 - 对偶算法来优化半可分离核函数，极大地降低了计算复杂度，并且在分类和回归中提供了有效的实现。当应用于基准数据时，该算法表现出了显著的精度改进潜力，而计算时间与神经网络和随机森林等典型方法相似甚至更好。

Apr, 2023

本文中，我们探究了在深度学习识别任务中，用 L2-SVMs 替换 softmax 可在 MNIST、CIFAR-10 和面部表情识别等数据集上获得显著提升。

Jun, 2013

本研究提出了一种称为 NPC-LV 的学习框架，它可以使用非监督学习中的生成模型来利用数据分布来构建压缩器，并结合少量标记数据进行分类，能够胜过监督方法和半监督学习方法，用于图像分类。

Jun, 2022