多类图基大间隔分类器：支持向量与神经网络的统一方法
机器学习
2025-12-16 v1 机器学习
摘要
大间隔分类器最初是优化框架的产物，支持向量 (SV) 可从几何方法中获得。本文推进了 Gabriel 图 (GG) 在二分类和多分类问题中的应用。对于 Chipclass，一种无超参数、无优化的 GG 基于二分类器，我们讨论了激活函数和 support edge (SE)-中心神经元对分类的影响，提出更平滑的函数和 structural SV (SSV)-中心神经元，以实现低概率和更平滑的分类轮廓。我们扩展了神经网络架构，可使用带 softmax 函数和交叉熵损失的反向传播进行训练，或通过求解线性方程组。还提出一种基于子图/距离的图正则化成员函数，以及一种计算成本低于标准方法的 GG 重计算算法。用 Friedman 检验的实验结果表明，我们的方法优于以往的 GG 基于分类器，统计上等价于基于树的模型。
引用
@article{arxiv.2512.13410,
title = {Multiclass Graph-Based Large Margin Classifiers: Unified Approach for Support Vectors and Neural Networks},
author = {Vítor M. Hanriot and Luiz C. B. Torres and Antônio P. Braga},
journal= {arXiv preprint arXiv:2512.13410},
year = {2025}
}
备注
Accepted to the IEEE Transactions on Neural Networks and Learning Systems (TNNLS)