Können Support-Vektor-Maschinen durch die Kontrolle der Anzahl der Support-Vektoren verbessert werden? Diese Arbeit stellt eine neue Klasse von Support-Vektor-Algorithmen für Regressions- und Klassifizierungsaufgaben vor, die durch einen Parameter ν gekennzeichnet sind, der die Anzahl der Support-Vektoren effektiv steuert. Diese Kontrolle ist an sich wertvoll, ermöglicht aber auch die Eliminierung des Genauigkeitsparameters ε (in der Regression) und der Regularisierungskonstante C (in der Klassifizierung), wodurch die Algorithmusabstimmung vereinfacht wird. Die Kernidee besteht darin, eine Methode zur Steuerung der Anzahl der verwendeten Support-Vektoren bereitzustellen, die sowohl praktische Vorteile als auch theoretische Implikationen bietet. Es werden einige theoretische Ergebnisse bezüglich der Bedeutung und Wahl von ν zusammen mit experimentellen Ergebnissen vorgestellt, die die Wirksamkeit des Algorithmus demonstrieren. Diese Forschung verbessert die Vielseitigkeit und Effizienz von Support-Vektor-Maschinen und macht sie anpassungsfähiger an verschiedene Anwendungen des maschinellen Lernens.
Diese in Neural Computation veröffentlichte Forschung steht im Einklang mit dem Fokus der Zeitschrift auf theoretische und praktische Fortschritte in neuronalen Netzen und maschinellem Lernen. Die Einführung eines Parameters zur Steuerung der Anzahl der Support-Vektoren trägt zur laufenden Optimierung von SVM-Algorithmen bei. Die zahlreichen Zitate unterstreichen die Wirkung und Relevanz dieser Arbeit.