Improving Sparsity and Scalability in Regularized Nonconvex Truncated-Loss Learning Problems
Improving Sparsity and Scalability in Regularized Nonconvex Truncated-Loss Learning Problems
复制标题
提高正则化非凸截断损失学习问题的稀疏性和可扩展性
DOI：
10.1109/tnnls.2017.2705429
复制
发表时间：
2018-07
影响因子：
10.4
通讯作者：
Chu Dejun
中科院分区：
文献类型：
--
作者：
Tao Qing;Wu Gaowei;Chu Dejun
截断正则L1损失支持向量机可以消除过多的支持向量，在鲁棒性和可扩展性方面具有显著的优势
The truncated regular $L_{1}$ -loss support vector machine can eliminate the excessive number of support vectors (SVs); thus, it has significant advantages in robustness and scalabili
登录
查看更多内容
DOI：
10.1017/cbo9780511801389.013
发表时间：
2000-03
期刊：
--
影响因子：
--
作者：
N. Cristianini;J. Shawe-Taylor
通讯作者：
N. Cristianini;J. Shawe-Taylor
DOI：
10.5555/1577069.1577097
发表时间：
2008-06
期刊：
J. Mach. Learn. Res.
影响因子：
--
作者：
J. Langford;Lihong Li;Tong Zhang
通讯作者：
J. Langford;Lihong Li;Tong Zhang
DOI：
10.5555/2503308.2503355
发表时间：
2012
期刊：
J. Mach. Learn. Res.
影响因子：
--
作者：
T. Do;T. Artières
通讯作者：
T. Do;T. Artières
DOI：
--
发表时间：
1998
期刊：
--
影响因子：
--
作者：
T. Hastie
通讯作者：
T. Hastie
影响因子：
1.8
作者：
Hoai An Le Thi;Pham Dinh Tao
通讯作者：
Hoai An Le Thi;Pham Dinh Tao