支持向量机的类别不平衡学习方法：回顾与实证评估

Jun, 2024

支持向量机的类别不平衡学习方法：回顾与实证评估

Methods for Class-Imbalanced Learning with Support Vector Machines: A Review and an Empirical Evaluation

Salim rezvani, Farhad Pourpanah, Chee Peng Lim, Q. M. Jonathan Wu

TL;DR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。

Abstract

This paper presents a review on methods for class-imbalanced learning with the support vector machine (SVM) and its variants. We first explain the structure of SVM and its variants and discuss their inefficiency

class-imbalanced learning support vector machine svm-based models re-sampling fusion methods

发现论文，激发创造

数据分类的一种 SVM 方法替代方案

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

基于投影的模糊最小二乘双支持向量机在类不平衡问题中的应用

通过使用基于模糊逻辑的方法来处理类别不平衡和有噪声的数据集，对几种基准数据集和合成数据集进行了实验评估，结果显示所提出的 IF-RELSTSVM 和 F-RELSTSVM 模型在性能上优于基准算法，并进行了统计检验以验证所提出算法的显著性。

Sep, 2023

支持向量机及其应用

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

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

支持矩阵机器：综述

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

不平衡数据集分类性能提升的重采样技术综述

研究分类问题中遇到的数据不平衡的情况，讨论了文献中提出的一些重新采样技术，并研究了它们对分类性能的影响。

Aug, 2016

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

核机器距离度量学习

本文探讨将三种流行的马氏度量学习算法作为预处理程序，在支持向量机（SVM）- RBF 分类器上的作用。结果表明，这种算法效果并不理想。作者提出一种新的算法 —— 支持向量度量学习（SVML），它无缝地将 Mahalanobis 度量的学习与 RBF-SVM 参数的训练相结合。实验证明，SVML 在精度方面优于所有替代方法，并成为交叉验证选择模型的标准欧几里得度量的严肃替代方案。

Aug, 2012

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

一种自适应加权软边界的不平衡支持向量机分类的广义框架

提出了一种新的广义框架，即自适应权重函数用于软间隔加权支持向量机 (AW-WSVM)，旨在增强标准支持向量机 (SVM) 中不平衡和异常值敏感性的问题，通过引入权重系数到非约束软间隔支持向量机，并在每次训练之前更新样本权重。在标准数据集和情感分类数据集上进行实验，结果表明所提出的广义框架在准确性、召回率和 G-mean 方面优于其他方法，验证了本论文中提供的加权策略的有效性。

Mar, 2024