Mar, 2024

一种基于双层优化的安全筛选规则和 ν 支持向量机

PDF
TL;DR提出了一个安全的筛选规则和双层优化方法用于处理大规模问题，其中使用支持向量机（Support Vector Machine，SVM）的扩展方法 nu-SVM，以及通过高效的双坐标下降优化算法提高计算速度。在人工数据集和基准数据集上的实验结果验证了这些方法在有监督和无监督任务中的有效性和安全性。
support vector machinenu-svmbi-level optimizationscreening rulecomputational speed
发现论文，激发创造
  • 优化与机器学习：半监督支持向量机的精确算法

    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

  • 一种高效的核生存支持向量机训练算法

    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

  • 成本敏感的支持向量机概率预测

    提供了一种生成支持向量机的概率输出的新方法，利用集成方法和自举估计，能够处理不平衡数据集，并在广泛的数据集测试中展现了优势。

    Oct, 2023

  • 通过进化二层优化使用支持向量机处理不平衡分类问题

    介绍了一种新的基于演化算法的、双层成本敏感的支持向量机方法 EBCS-SVM，可用于解决非平衡分类问题，并通过对 70 个数据集的实验结果进行比较，证明了其有效性。

    Apr, 2022

  • 用变分不等式实现安全筛选及其在 LASSO 中的应用

    本文介绍了一种名为 “Sasvi” 的方法，它基于变分不等式提供了更强的安全筛选规则，可用于稀疏学习模型的特征选择和计算效率优化。实验结果表明，Sasvi 对 Lasso 筛选具有很强的可靠性和有效性。

    Jul, 2013

  • 支持向量网络的统计力学

    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

  • 基于近紧边距的支持向量机广义化界

    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

  • 具有性能保证的机组组合预测器：支持向量机分类器

    通过学习和预测常规单元的开关决策，可以为系统操作员提供一个实用的解决方案，从而加快计算速度。在这篇文章中，我们训练了线性和核化支持向量机分类器，这些分类器可以在适当正则化的情况下提供一个样本外性能保证，并转换为具有分布鲁棒性的分类器。通过在 IEEE 6 节点和 118 节点测试系统上的实验结果显示，适当正则化的核化支持向量机优于其他分类器，将计算时间减少了 1.7 倍。此外，如果计算时间有限，即使没有热启动，单元调度问题也可以在时间限制内得到最优解。

    Oct, 2023

  • 使用 Frank-Wolfe 优化方法训练支持向量机

    本文提出两种改进的基于 Frank-Wolfe 算法的 SVM 构建方法，能够更高效地解决大规模数据集下的最小包络球问题。实验证明，相比之前的 CVM 方法，这两种方法在大多数情况下都具有更好的扩展性。

    Dec, 2012

  • 多成本场景下支持向量机

    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