【论文阅读】支持向量机 Smooth and semi-smooth pinball twin support vector machine

摘要

背景

1、支持向量机有点
2、支持向量机计算复杂度高，大规模不行，广义特征值（GEPSVM）和双支持向量机（TWSVM）（找到了两个非平行的超平面，而不是一个决策超平面）更快,TWSVM上有很多延展
3、SVM的鲁棒性和泛化能力是另一个重要方向,svm早期0-1损失函数（N-P难问题），𝐶-SVM采用Hinge损失（噪声敏感性和重新采样不稳定性），。。。。稀疏性缺点
4、综合优势，提出了一种基于L2范数钉球损失函数的分类器，称为平滑钉球双支持向量机（SP-TSVM）。定义了一种新的损失函数：半平滑L2范数钉球损失函数–》半平滑钉球双支持向量机（SSP-TSVM）。

贡献

• 所提出的SP-TSVM采用了平滑且处处可微的损失函数，与分位数距离密切相关，使模型更加鲁棒。
• 所提出的SP-TSVM对特征噪声不敏感，特别是对位于决策超平面附近的噪声。
• SP-TSVM模型不仅遵循最大化间隔原则，还避免了矩阵求逆运算。
• 由于SP-TSVM没有稀疏性，本文进一步提出了半平滑L2范数的损失函数，并建立了SSP-TSVM模型。它不仅继承了SP-TSVM的优点，还能抑制异常点的负面影响。
• 由于SSP-TSVM是一个非凸优化模型，本文采用方便易用的凹凸过程（CCCP）优化方法来解决它。在迭代过程的每一步中，SSP-TSVM解决一系列类似SP-TSVM的问题。
• 我们对19个无噪声和有噪声的数据集进行了数值实验，结果验证了所提出模型的有效性。

问题（晦涩点）

1. 凸优化
   先懂数值优化
   2、对偶函数
   3、拉格朗日乘子

2. List item