新的SVM方法动态学习最优弹球损失参数

研究人员开发了一种新颖的数据驱动方法，用于弹性网络支持向量机（SVM），该方法动态选择最优弹球损失参数。该方法学习了单纯形约束的权重，以候选弹球损失为基础，有效地为单个分类器创建了数据依赖的参数。所提出的求解器展示了收敛性和中心化训练的数值等价性，实验验证了其预测行为和可扩展性。 AI

影响 引入了一种优化SVM的新颖方法，有可能提高特定机器学习任务的性能。

排序理由 这是一篇详细介绍支持向量机新算法方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• CORE Recommender
• DagsHub
• Elastic-Net SVMs
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• Influence Flower
• Pinball loss minimization for one-bit compressive sensing: Convex models and algorithms
• ScienceCast
• support vector machine

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →