项目名称: 具有可调节范数的支持向量机模型与算法的研究

项目编号: No.11201480

项目类型: 青年科学基金项目

立项/批准年度: 2013

项目学科: 数理科学和化学

项目作者: 张春华

作者单位: 中国人民大学

项目金额: 22万元

中文摘要: 支持向量机方法是借助于最优化方法解决机器学习问题的有力工具,已经被成功地应用到数据挖掘的许多领域。在标准支持向量机的优化模型中使用的是2范数,近年来,出现了若干基于不同范数的支持向量机,由于其在特征选择等问题中的显著效果,逐渐成为支持向量机方法中新的研究热点之一。本项目拟从最优化理论与方法的角度出发,对可调节范数支持向量机模型进行研究。主要包括:(1)改进、完善现有的优化模型;(2)针对机器学习领域中常见的分类、回归、多示例、多标签等问题,构建相应的可调节范数的优化模型,并基于最优化方法研究建立简单而有效的算法(包括全局算法);(3)针对生物信息领域中的特征选择问题,研究新模型与算法的应用和改进. 本项目的实施不仅能为数据挖掘提出新理论和新方法,而且能够推动支持向量机和最优化方法的发展,具有重要的科学意义和实用价值。

中文关键词: 支持向量机;特征选择;lp-范数;最优化模型;算法

英文摘要: Support vector machines (SVMs) is a powerful tool for machine learning, and has been applied to a wide variety of fields in data mining. SVMs are based on optimization methods and in the standard SVMs, 2-norm is used. Recently, some variants of SVMs with different norms open a novel approach in the development of SVMs because they made a good performance, particularly in feature seletion. This project focuses on the SVMs with adaptive norms, via optimization theory and methods. It mainly includes the following parts: (1) improve the variants of SVMs with different norms; (2)construct new SVMs with adpative norms for classification, regression, multi-instance learning, multi-label learning problems respectively, and propose some efficient optimization methods (including global methods); (3)apply and improve our new SVMs and new optimization methods to gene selection problems in bioinformatics. We believe that this research has scientific significance and practical value since it can not only provide some new theories and methods for data mining, but also improve SVMs and numerical optimization.

英文关键词: Support Vector Machine;Feature Selection;lp-Norm;Optimization Model;Algorithm

成为VIP会员查看完整内容
0

相关内容

在机器学习中,支持向量机(SVM,也称为支持向量网络)是带有相关学习算法的监督学习模型,该算法分析用于分类和回归分析的数据。支持向量机(SVM)算法是一种流行的机器学习工具,可为分类和回归问题提供解决方案。给定一组训练示例,每个训练示例都标记为属于两个类别中的一个或另一个,则SVM训练算法会构建一个模型,该模型将新示例分配给一个类别或另一个类别,使其成为非概率二进制线性分类器(尽管方法存在诸如Platt缩放的问题,以便在概率分类设置中使用SVM)。SVM模型是将示例表示为空间中的点,并进行了映射,以使各个类别的示例被尽可能宽的明显间隙分开。然后,将新示例映射到相同的空间,并根据它们落入的间隙的侧面来预测属于一个类别。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
图像分类的深度卷积神经网络模型综述
专知会员服务
56+阅读 · 2021年10月29日
逆优化: 理论与应用
专知会员服务
36+阅读 · 2021年9月13日
专知会员服务
91+阅读 · 2021年8月29日
专知会员服务
21+阅读 · 2021年7月31日
专知会员服务
32+阅读 · 2021年6月18日
专知会员服务
41+阅读 · 2021年6月2日
专知会员服务
24+阅读 · 2021年4月21日
专知会员服务
73+阅读 · 2020年12月7日
专知会员服务
77+阅读 · 2020年12月6日
专知会员服务
42+阅读 · 2020年7月29日
标签间相关性在多标签分类问题中的应用
人工智能前沿讲习班
22+阅读 · 2019年6月5日
基于数据的分布式鲁棒优化算法及其应用【附PPT与视频资料】
人工智能前沿讲习班
26+阅读 · 2018年12月13日
【深度】行人检测算法
GAN生成式对抗网络
29+阅读 · 2018年6月3日
一文看懂常用特征工程方法
AI研习社
17+阅读 · 2018年5月2日
基于深度学习的目标检测算法综述
AI研习社
14+阅读 · 2018年4月25日
Python & 机器学习之项目实践 | 赠书
人工智能头条
14+阅读 · 2017年12月26日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
15+阅读 · 2021年2月19日
Attentive Graph Neural Networks for Few-Shot Learning
Arxiv
40+阅读 · 2020年7月14日
Arxiv
20+阅读 · 2019年9月7日
Learning Embedding Adaptation for Few-Shot Learning
Arxiv
16+阅读 · 2018年12月10日
小贴士
相关VIP内容
图像分类的深度卷积神经网络模型综述
专知会员服务
56+阅读 · 2021年10月29日
逆优化: 理论与应用
专知会员服务
36+阅读 · 2021年9月13日
专知会员服务
91+阅读 · 2021年8月29日
专知会员服务
21+阅读 · 2021年7月31日
专知会员服务
32+阅读 · 2021年6月18日
专知会员服务
41+阅读 · 2021年6月2日
专知会员服务
24+阅读 · 2021年4月21日
专知会员服务
73+阅读 · 2020年12月7日
专知会员服务
77+阅读 · 2020年12月6日
专知会员服务
42+阅读 · 2020年7月29日
相关资讯
标签间相关性在多标签分类问题中的应用
人工智能前沿讲习班
22+阅读 · 2019年6月5日
基于数据的分布式鲁棒优化算法及其应用【附PPT与视频资料】
人工智能前沿讲习班
26+阅读 · 2018年12月13日
【深度】行人检测算法
GAN生成式对抗网络
29+阅读 · 2018年6月3日
一文看懂常用特征工程方法
AI研习社
17+阅读 · 2018年5月2日
基于深度学习的目标检测算法综述
AI研习社
14+阅读 · 2018年4月25日
Python & 机器学习之项目实践 | 赠书
人工智能头条
14+阅读 · 2017年12月26日
相关基金
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员