.png){kind=icon}
返回
DHS-AE: A Distributed Support Vector Machine With Adaptive Regularization Parameters for Different Data Distributions
.png){kind=icon}
PRE
AI
DOI：10.1109/tcyb.2026.3664819.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在分布式机器学习场景中，不同节点间数据分布的差异是一个不容忽视的关键问题。然而，现有方法难以自主调整模型参数以适应动态变化的数据分布，导致全局决策边界僵化且局部适应性不足。为解决此问题，我们提出了一种基于正则化参数自适应集成选择的分布式混合支持向量机（DHS-AE）。该模型利用数据结构信息对数据空间进行切分，从而识别数据分布特征。在局部子空间中，采用正则化参数在特定范围内自适应确定的SVM，能够实时调整决策边界以响应分布变化，进而降低计算开销。通过覆盖数，我们理论推导了DHS-AE的泛化界，并证明了其快速收敛性和一致性。在实际应用中，我们通过大量真实数据集验证了DHS-AE的优异性能。
Keyword:
Adaptive
data distribution
distributed support vector machine (SVM)
ensemble
generalization bound
regularization parameters
期刊
IF:
10.5
论文数:
1.1W
被引数:
5.0W
机构
引用论文
An automatic sparse-based deep cascade framework with multilayer representation for detecting breast cancer.png)
MEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏分享收藏
查看更多内容