BriefGPT - AI 论文速递
·
$p$SVM：具有$p$-范数铰链损失的软间隔支持向量机
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
支持向量机（SVM）是一种用于二分类的监督学习模型。半监督支持向量机（S3VMs）通过利用有标签和无标签数据，扩展了传统的SVM分类器，提高了准确性和鲁棒性。本文提出了一种基于半定规划（SDP）松弛的S3VMs分支定界方法，该方法在界限加强和局部搜索方面表现出较高效率。
🎯
关键要点
- 支持向量机（SVM）是一种用于二分类的监督学习模型。
- 半监督支持向量机（S3VMs）通过利用有标签和无标签数据，扩展了传统的SVM分类器。
- S3VMs旨在在存在无标签数据的情况下最大化样本间的边界，提高准确性和鲁棒性。
- 本文提出了一种基于半定规划（SDP）松弛的S3VMs分支定界方法。
- 该方法应用基于最优性的界限加强方法来限制可行集，增强下界。
- 所得到的SDP松弛提供了显著更强的界限。
- 上界利用SDP松弛的解定义局部搜索。
- 计算结果显示该算法的效率，能够解决比文献中多10倍的数据点实例。
🏷️
标签
➡️
