面向特征噪声的鲁棒支持向量机的间隙安全筛选规则
机器学习
2026-03-27 v1 最优化与控制
摘要
鲁棒支持向量机（R-SVM）通过采用最坏情况鲁棒公式，将不确定性集合显式纳入训练，以处理特征噪声。尽管这种鲁棒性提升了可靠性，但也增加了计算成本。本文发展R-SVM的安全样本筛选规则，在不影响最优解的前提下降低训练复杂度。据我们了解，本是首次将安全筛选技术应用于监督机器学习中最坏情况鲁棒模型。我们的做法安全识别那些其不确定性集合必然完全位于间隔超平面一侧的训练样本，从而缩减问题规模并加速优化。鉴于R-SVM非标准结构，本文基于拉格朗日对偶而非常用的Fenchel-Rockafellar对偶推导筛选规则。基于此分析，我们首先建立理想筛选规则，然后通过适应GAP基安全区域衍生实用规则。实验表明，所提方法显著缩短训练时间，同时保持分类精度。
引用
@article{arxiv.2603.25221,
title = {Gap Safe Screening Rules for Fast Training of Robust Support Vector Machines under Feature Noise},
author = {Tan-Hau Nguyen and Thu-Le Tran and Kien Trung Nguyen},
journal= {arXiv preprint arXiv:2603.25221},
year = {2026}
}
备注
19 pages