高维稀疏支持向量机推断框架论文发布

Peng Zeng 与 Hanwen Huang 提交论文，提出一种针对稀疏支持向量机的高维统计推断框架：当样本量与特征数成比例增长时，将 L1 惩罚 SVM 表示为线性规划，并通过其对偶变量识别 hinge 损失的次梯度，从而得到坐标渐近高斯的去偏估计量。该框架的适用条件是样本量与特征数成比例增长的高维情形。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。