当前位置： 积分机 >> 积分机市场 >> 当支持向量机遇上神经网络这项研究揭示了S
选自arXiv
作者：AlexiaJolicoeur-Martineau
编辑：小舟、蛋酱
SVM是机器学习领域的经典算法之一。如果将SVM推广到神经网络，会发生什么呢？支持向量机（SupportVectorMachine，SVM）是大多数AI从业者比较熟悉的概念。它是一种在分类与回归分析中分析数据的监督式学习模型与相关的学习算法。给定一组训练实例，每个训练实例被标记为属于两个类别中的一个或另一个，SVM训练算法创建一个将新的实例分配给两个类别之一的模型，使其成为非概率二元线性分类器。SVM模型将实例表示为空间中的点，这样映射就使得单独类别的实例被尽可能宽的明显的间隔分开。然后，将新的实例映射到同一空间，并基于它们落在间隔的哪一侧来预测所属类别。除了进行线性分类之外，SVM还可以使用所谓的核技巧有效地进行非线性分类，将其输入隐式映射到高维特征空间中。本文将介绍一篇来自蒙特利尔大学的论文《SVM、Wasserstein距离、梯度惩罚GAN之间的联系》。在这篇论文中，研究者阐述了如何从同一框架中得到SVM和梯度惩罚GAN。据论文一作介绍，这项研究的灵感来自她的博士资格考试。在准备过程中，她学习了SVM，并思考了这个问题：「如果将SVM推广到神经网络会发生什么？」顺着这个思路，研究者发现了SVM、GAN、Wasserstein距离之间的关系。