.png){kind=icon}
返回
Generalized Adaptive Huber Loss Driven Robust Twin Support Vector Machine Learning Framework for Pattern Classification
.png){kind=icon}
OA
AI
DOI：10.1007/s11063-025-11783-5.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
针对传统双支持向量机（TSVM）对噪声和离群值敏感的问题，本文提出了一种基于广义自适应Huber损失函数（GAHTSVM）的双支持向量机模型。通过动态调整鲁棒参数$$s$$，该模型能够有效抑制噪声数据点对决策函数的负面影响，并通过引入不敏感区域设计提高模型稀疏性。对于非凸优化问题，采用凹凸过程（CCCP）以避免二次规划问题，并显著提升算法效率。实验表明，GAHTSVM在真实数据集添加高斯噪声及人工数据集引入离群值的场景中表现优异：在低噪声环境下显著优于其他算法；在高噪声环境下仍保持领先地位，且多数数据集排名靠前；在两个人工数据集上表现良好，显著优于其他算法。综上所述，该模型通过动态调整离群值惩罚项有效克服了噪声和离群值干扰，为高噪声环境下的模式识别问题提供了高效解决方案。
Keyword:
Generalized adaptive Huber loss
Robustness
Concave-convex procedure
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.8
论文数:
178
被引数:
5.5K
机构
引用论文
分享收藏Efficient and robust TWSVM classification via a minimum L1-norm distance metric criterion.png)
MACHINE LEARNINGOAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏Advancing Supervised Learning with the Wave Loss Function: A Robust and Smooth ApproachPATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏
查看更多内容