实体
ONE-CLASS SUPPORT VECTOR MACHINES APPROACH TO ANOMALY DETECTION
ONE-CLASS SUPPORT VECTOR MACHINES APPROACH TO ANOMALY DETECTION
PulseAugur coverage of ONE-CLASS SUPPORT VECTOR MACHINES APPROACH TO ANOMALY DETECTION — every cluster mentioning ONE-CLASS SUPPORT VECTOR MACHINES APPROACH TO ANOMALY DETECTION across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
新的SMO算法利用特权信息增强单类SVM训练
研究人员开发了一种新的序贯最小优化（SMO）算法，专门用于含特权信息的单类支持向量机（OC-SVM+）。这种新颖的方法旨在解决现有研究中的一个空白，通过更有效地训练OC-SVM+模型。实验表明，所提出的SMO算法在训练OC-SVM+模型方面优于非序贯方法和内点算法，并突显了特权信息在描述性领域的影响。
-
新的OCSVM策略加速异常检测性能
研究人员开发了一种新策略来加速单类支持向量机（OCSVM）的性能，OCSVM是异常检测的常用算法。所提出的方法包括将大型数据集分解为单个样本，并为每个样本训练单独的OCSVM模型。然后，使用集成学习将这些单独的模型组合起来，为整个数据集创建一个全面的OCSVM模型。这种方法在Python中实现，与传统的OCSVM相比，在保持相似的分类精度的同时，处理速度更快。