支持向量机的关键问题和展望

• 作者: 邵元海 刘黎明 黄凌伟 邓乃扬
• 来源期刊: 中国科学（数学）
• 关键词: 支持向量机 统计学习 核学习 机器学习 最优化 深度学习
• 年，卷（期）: 2020,（9）
• 所属期刊栏目: 论文
• 页码范围: 1233-1248
• 页数: 16页
• 语种: 中文
• DOI: 10.1360/SSM-2020-0015

摘要

作为机器学习的主要方法之一,支持向量机不仅有坚实的统计学习理论基础,而且在众多领域中表现出优秀的泛化性能,因此受到了广泛关注.然而近几年来,相比于深度学习的蓬勃发展,支持向量机的研究进展缓慢.本文从支持向量机的本质出发,探讨支持向量机的理论方法与深度学习等机器学习热点研究的交叉与融合,提出一些新的思路.具体地,包括3个方面:支持向量机的大间隔原则及其带来的低密度性、核映射的高维划分技巧及其统计学习理论,以及支持向量机的浅层学习模式向深度学习和广度学习的拓展.同时,从这3个方面分别提出支持向量机研究中可以进一步挖掘的优良性质,并展望未来可能诱导出的理论和方法.