规模化 ROC 优化支持向量机

ROC-SVM 原型化提出直接最大化受试者工作曲线下面积（AUC），因而在类别不平衡情况下成为传统二分类的有吸引力的替代方案。然而，其实际应用受限于高计算成本，因为训练需评估所有 $O(n^2)$。为克服此限制，我们开发了一种可扩展的 ROC-SVM 变体，利用不完整 U-统计显著降低计算复杂度。我们进一步通过低秩核近似扩展该框架，实现在再现核希尔伯特空间中高效训练。理论分析建立了误差界，证明所提近似方法的有效性，实验结果在合成数据和真实数据集上表明，所提方法在 AUC 性能上与原始 ROC-SVM 相当，但训练时间大幅降低。