Another Look at Distance-Weighted Discrimination
重新审视距离加权判别AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用机器学习分类算法，分类任务本身不构成所列离散选择模型的证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
重新审视距离加权判别
- 研究问题
- 研究如何改善距离加权判别及其广义形式的计算与调参，并为核化方法建立学习理论依据和分类性能比较。
- 方法与思路
- 作者提出求解标准与广义 DWD 的新算法和调参方案，在再生核希尔伯特空间构造核 DWD，并分析风险一致性。
- 材料陈述的贡献
- 摘要称新算法显著加快计算，使用通用核可建立贝叶斯风险一致性，且在所述十六个基准数据集上取得有利分类结果。
- 阅读关注点
- 阅读全文时应核对算法目标与收敛条件、风险一致性所需假设、调参及数据划分方式，以及与 SVM 比较的公平性。
- 阅读边界
- 摘要的速度和准确率陈述依赖具体比较设定，不能认定普遍优于 SVM。解读仅依据所给 Crossref 摘要。
原文摘要
Summary Distance-weighted discrimination (DWD) is a modern margin-based classifier with an interesting geometric motivation. It was proposed as a competitor to the support vector machine (SVM). Despite many recent references on DWD, DWD is far less popular than the SVM, mainly because of computational and theoretical reasons. We greatly advance the current DWD methodology and its learning theory. We propose a novel thrifty algorithm for solving standard DWD and generalized DWD, and our algorithm can be several hundred times faster than the existing state of the art algorithm based on second-order cone programming. In addition, we exploit the new algorithm to design an efficient scheme to tune generalized DWD. Furthermore, we formulate a natural kernel DWD approach in a reproducing kernel Hilbert space and then establish the Bayes risk consistency of the kernel DWD by using a universal kernel such as the Gaussian kernel. This result solves an open theoretical problem in the DWD literature. A comparison study on 16 benchmark data sets shows that data-driven generalized DWD consistently delivers higher classification accuracy with less computation time than the SVM.