asymmetric RoBoSS loss function

新的SVM方法增强了对噪声数据的鲁棒性和特征选择能力

研究人员开发了一种新颖的非对称、鲁棒、有界、稀疏和光滑（aR）损失函数，用于惩罚几何孪生SVM（aRSGTSVM）。这种新方法旨在通过解决冗余特征和标签噪声等挑战来提高机器学习方法的效率。$l_1$-范数惩罚促进了特征选择，而aR损失函数增强了对标签和特征噪声的鲁棒性。所提出的方法涉及用于优化的近端梯度下降算法，并在合成和UCI数据集以及中国股市的指数跟踪任务上展示了卓越的性能。