• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>IEEE International Conference on Data Mining Workshops >An Efficient ADMM-Based Algorithm to Nonconvex Penalized Support Vector Machines
【24h】

An Efficient ADMM-Based Algorithm to Nonconvex Penalized Support Vector Machines

机译：基于ADMM的高效非凸惩罚支持向量机算法。

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Support vector machines (SVMs) with sparsityinducing nonconvex penalties have received considerable attentions for the characteristics of automatic classification and variable selection. However, it is quite challenging to solve the nonconvex penalized SVMs due to their nondifferentiability, nonsmoothness and nonconvexity. In this paper, we propose an efficient ADMM-based algorithm to the nonconvex penalized SVMs. The proposed algorithm covers a large class of commonly used nonconvex regularization terms including the smooth clipped absolute deviation (SCAD) penalty, minimax concave penalty (MCP), log-sum penalty (LSP) and capped-'1 penalty. The convergence of the proposed algorithm is guaranteed. Extensive experimental evaluations on five benchmark datasets demonstrate the superior performance of the proposed algorithm to other three state-of-the-art approaches.
机译：具有稀疏性导致非凸罚分的支持向量机（SVM）已因自动分类和变量选择的特性而受到了广泛的关注。但是，由于非凸罚分SVM的不可微性，非平滑性和非凸性，因此解决这些挑战非常具有挑战性。在本文中，我们提出了一种有效的基于ADMM的非凸惩罚SVM算法。所提出的算法涵盖了一大类常用的非凸正则化项，包括平滑限幅绝对偏差（SCAD）罚分，最小极大凹度罚分（MCP），对数和罚分（LSP）和有上限的'1罚分。所提算法的收敛性得到了保证。在五个基准数据集上进行的广泛实验评估证明了该算法优于其他三种最新方法的性能。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号