为SVM和神经网络提出新的凸集损失

研究人员为支持向量机（SVM）和神经网络（特别是二元分类任务）引入了新颖的凸集损失函数。虽然直接应用于对偶SVM模型存在挑战，但这些新损失可以与原始SVM公式和神经网络集成。该研究采用粒子群优化来解决带有这些修改后损失的原始SVM问题，并证明它们可以泛化标准损失。在嵌套交叉验证评估的小型数据集上进行的初步实验表明，与标准方法相比，包含这些新损失并未显著改变泛化指标，尽管在损失函数内的模式相关性方面注意到了理论上的好处。 AI

影响 为机器学习模型的损失函数带来了理论上的进步。

排序理由 学术论文，详细介绍了新的理论方法和实验结果。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• Neural Networks
• particle swarm optimization
• ScienceCast
• support vector machine
• Support Vector Regression

• 论文
• 其他

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