.png){kind=icon}
返回
Solution Path Algorithm for Double Margin Support Vector Machines
.png){kind=icon}
PRE
AI
DOI：10.1007/s10796-025-10612-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据不确定性是机器学习中的一个具有挑战性的问题。分布鲁棒优化（DRO）可用于对数据不确定性进行建模。基于DRO，可以推导出一种具有双重正则项和双重间隔的新支持向量机。所提出的模型能够以概率方式捕捉数据不确定性，并对高维数据进行自动特征选择。我们证明了该模型的最优解相对于超参数是分段线性变化的。基于此性质，我们只需在断点处计算解即可推导出整个解路径。提出了一种解路径算法，用于高效识别最优解，从而加速超参数调优过程。在计算效率实验中，所提出的解路径算法相较于CVXPY方法和序列最小优化（SMO）算法表现出更优的性能。数值实验进一步证实，所提出的模型即使在有噪声数据条件下也能实现鲁棒性能。
Keyword:
Solution path algorithm
Distributionally robust optimization
Classification
Support vector machines
Hyperparameter tuning
期刊
IF:
8.3
论文数:
2.0K
被引数:
6.5K
机构
引用论文
.png){kind=icon}
Data-driven distributionally robust optimization using the Wasserstein metric: performance guarantees and tractable reformulations使用Wasserstein度量的数据驱动的分布式鲁棒优化: 性能保证和可处理的重新制定
PREAI
分享收藏
分享收藏分享收藏
查看更多内容