.png){kind=icon}
返回
Robust one-class support vector machine
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.107416.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
单类支持向量机（OCSVM）是单类分类任务中的一种有效算法。然而，它对噪声和异常值表现出敏感性。当前解决方案通常采用有界损失函数，这些函数对噪声或异常值施加有限但相对较大的惩罚，并且这些损失函数存在不连续性和非可微性的局限性。为解决这些问题，本文引入了一种新颖的、连续的、平滑且可微的损失函数，即二次型平方误差损失函数（QTSELF），并提出了一种更鲁棒的单类支持向量机（Q-OCSVM）。Q-OCSVM不仅根据样本的位置进行区分并据此施加不同的处理，而且通过施加最小的惩罚来增强模型的鲁棒性。此外，损失函数优雅的数学性质便于模型优化。理论分析利用Rademacher复杂度理论来推导模型的泛化误差界。动量方法用于优化Q-OCSVM。广泛的实验有力地证明，Q-OCSVM优于基准技术。
Keyword:
One-class support vector machine
Loss function
Robustness
Momentum
期刊
IF:
6.3
论文数:
8.3K
被引数:
3.0W
机构
暂无机构信息
引用论文
分享收藏Two methods of selecting Gaussian kernel parameters for one-class SVM and their application to fault detection一类支持向量机的两种高斯核参数选择方法及其在故障检测中的应用
PREAI
分享收藏Minimum variance-embedded deep kernel regularized least squares method for one-class classification and its applications to biomedical data.png)
NEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏ARAE: Adversarially robust training of autoencoders improves novelty detectionNEURAL NETWORKSOAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏分享收藏Efficient Anomaly Detection for High-Dimensional Sensing Data With One-Class Support Vector Machine基于一类支持向量机的高维感知数据高效异常检测
PREAI
分享收藏
查看更多内容