이진 분류를 위한 새로운 손실 함수 기반 서포트 벡터 머신
기존의 서포트 벡터 머신(SVM) 모델들은 정확하게 분류된 샘플들에 대한 처벌 정도를 고려하지 않았다. 이는 SVM 분류기의 일반화 능력에 영향을 미쳤다. 이를 해결하기 위해 우리는 신뢰 마진 관점에서 새로운 Slide 손실 함수(ℓs)를 제안하고, ℓs-SVM 분류기를 구축했다. 근접 정상점 개념을 도입하고 Lipschitz 연속성 특성을 활용하여 ℓs-SVM의 1차 최적성 조건을 도출했다. 이를 바탕으로 ℓs 서포트 벡터와 작업 집합을 정의했다. 효율적으로 ℓs-SVM을 다루기 위해 작업 집합 기반 빠른 교대 방향 승수법(ℓs-ADMM)을 고안하고 수렴 분석을 제공했다. 실험 결과는 제안된 방법의 강건성과 효과성을 확인했다.