A general soft method for learning SVM classifiers with L1-norm penalty

A general soft method for learning SVM classifiers with L1-norm penalty

Qing Tao a,c,∗ , Gao-Wei Wu b , Jue Wang c

ABSTRACT

基于支持向量机（SVM）的几何解释，本文提出了一种通用技术，允许几乎所有现有的基于L2范数惩罚的几何算法，包括吉尔伯特算法、施莱辛格-科兹涅克（SK）算法和米切尔-德米扬诺夫-马洛泽莫夫（MDM）算法，实现了相应的学习L1-SVM分类器。本质上，由此产生的软算法是如何找到的$ϵ$-两个软凸壳之间的最佳最近点。理论分析表明，我们提出的软算法本质上是相应的现有硬算法的推广，因此，它们具有相同的收敛性和几乎相同的计算成本。作为一个具体的例子，问题的解决-研究了基于所提出的软MDM算法的支持向