一种基于双层优化的安全筛选规则和 ν 支持向量机
内容提要
提出基于半定规划松弛的半监督支持向量机分支定界方法，通过界限加强和局部搜索提升效率，可处理比文献大10倍的实例。
延伸解读
方法核心：SDP松弛与分支定界
文章提出一种基于半定规划（SDP）松弛的半监督支持向量机（S3VM）分支定界方法。该方法利用最优性界限加强来限制可行集，并通过箱约束引入有效不等式以增强下界。与文献中已有的界限相比，所得到的SDP松弛能提供显著更强的界限，从而提升分支定界效率。
上界构造与局部搜索
对于上界，文章利用SDP松弛的解来定义局部搜索过程。这种基于松弛解启发的局部搜索有助于快速获得高质量可行解，从而与下界加强共同作用，加速分支定界收敛。
实验规模与效率提升
计算结果表明，该算法能够高效求解数据点数量比文献中已解决实例大10倍的S3VM问题。这显示出所提方法在可扩展性方面的优势，为半监督学习在大规模数据集上的应用提供了可能。
Q&A
半监督支持向量机（S3VMs）与传统SVM有什么区别？
半监督支持向量机通过利用有标签和无标签数据，扩展了传统的SVM分类器，旨在在存在无标签数据的情况下最大化样本间的边界，以实现比传统SVM更高的准确性和鲁棒性。
这篇论文提出的基于半定规划松弛的分支定界方法有什么创新点？
该论文提出了一种新的基于半定规划（SDP）松弛的S3VMs分支定界方法。创新点包括：应用基于最优性的界限加强方法来限制可行集；利用箱约束包括有效不等式以增强下界；与文献中的界限相比，所得到的SDP松弛提供了显著更强的界限；利用SDP松弛的解定义局部搜索以获得上界。
该方法在计算效率上有什么优势？
计算结果突显了该算法的效率，展示其解决数据点数量比文献中的解决数量多10倍的实例的能力。
什么是基于最优性的界限加强方法？
基于最优性的界限加强方法是一种用于限制可行集的技术，通过应用该方法可以增强下界，从而得到更强的SDP松弛界限。
箱约束在方法中起什么作用？
箱约束使我们能够包括有效不等式，从而增强下界，与文献中提供的界限相比，所得到的SDP松弛提供了显著更强的界限。
局部搜索是如何定义的？
局部搜索是利用SDP松弛的解来定义的，用于获得上界。
