理学院教师发表基于Truncated pinball loss双子支持向量机分类研究成果
点击数:更新日期: 2021-12-22
理学院教师发表基于Truncated pinball loss双子支持向量机分类研究成果
支持向量机及其拓展算法已被广泛应用于疾病分类、图像处理、点云分类、异常值检测和人脸识别等领域。作为一类经典的机器学习方法，其鲁棒性一直备受关注。理学院数学系青年教师王荟茹和合作研究者通过研究，提出了一种同时具有稀疏性和特征噪音不敏感性的双子支持向量机分类模型，并采用了凹凸优化的方法进行求解，文中分析了模型的稀疏性、类间距离最大化、类内散度和错分率最小化等性质。由于其对位于分类超平面周围的噪音不敏感，因而具有较高的分类准确性。在22个二分类数据集和13个多分类数据集上的数值实验结果进一步验证了所提模型的有效性。
该成果《Twin-parametric margin support vector machine with truncated pinball loss》在《Neural Computing and Applications》（影响因子：5.606，二区）上发表。该项研究工作得到了中央高校基本科研业务费专项资金项目、国家自然科学基金面上项目和北京市自然科学基金面上项目的资助。
论文链接：https://doi.org/10.1007/s00521-020-05225-7
（撰稿：王荟茹；审核：田阳）
