标签
本文提出一种新的非对称鲁棒有界稀疏平滑（aR）损失函数，用于l1范数惩罚的几何孪生支持向量机（aRSGTSVM），以处理带有标签噪声和特征噪声的分类与回归任务，实现特征选择并提高鲁棒性。在合成数据集、UCI数据集以及中国股市指数跟踪上的实验表明了其优越性。
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。
提出支持向量注意力（SV-Attention），一种可训练的最大间隔记忆，通过可逆增量求解器提供令牌的零权重认证选择和精确遗忘。它实现了改进的稀有项召回率和患者记录删除能力。