标签
本文提出了一种数据驱动的弹性网络支持向量机，它在候选弹球损失上学习单纯形约束权重，同时保留一个分类器。该加权损失等价于具有数据依赖有效参数的弹球损失。经验预言不等式表明，当权重正则化和单纯形截断消失时，全局最小化处的分类器目标不会超过最佳固定候选的目标；否则，超出部分被显式界定。针对高维数据，我们开发了一种列划分变量分裂求解器。它以最佳迭代的 $O(1/T)$ 平方步长残差率收敛。在共同初始化和全局参数下，任何列划分在精确算术下都会产生与集中训练相同的迭代和求解结果。实验评估了预测行为、数值等价性和多进程可扩展性。
本文将稀疏自编码器中的特征饥饿识别为一种几何不稳定性，并提出自适应弹性网络 SAE（AEN-SAE）来在不依赖启发式方法的情况下缓解该问题。