Radial basis function kernel optimization for Support Vector Machine classifiers
University of Málaga（马拉加大学）；Biomedic Research Institute of Málaga (IBIMA)（马拉加生物医学研究所 (IBIMA)）；University of Michigan（密歇根大学）
支持向量机（SVM）仍然是最流行和最精确的分类器之一。径向基函数（RBF）核已被用于支持向量机中，以在类之间进行分离，并取得了相当大的成功。然而，存在对核超参数的初始值的内在依赖性。在这项工作中，我们提出了OKSVM，一种自动学习RBF核超参数，同时调整SVM权重的算法。所提出的优化技术是基于一个梯度下降方法。我们分析了我们的方法相对于经典的SVM分类合成和真实数据的性能。实验结果表明，OKSVM的性能更好，而不受初始值的RBF超参数。
2020-07-16 cs.LG stat.ML
Performance Evaluation of t-SNE and MDS Dimensionality Reduction Techniques with KNN, ENN and SVM Classifiers
IUBAT（孟加拉国际大学（IUBAT））；IUT（伊斯兰科技大学（IUT））
本文的主要目的是在Matlab中建立两种常用的降维方法，即t分布随机邻域嵌入（t-SNE）和多维尺度（MDS），并观察它们在几个数据集上的应用。这些DR技术应用于九个不同的数据集，即CNAE 9，分割，种子，皮马印第安人糖尿病，帕金森氏症，运动天秤座，乳房摄影质量，知识，和电离层从UCI机器学习库中获得。通过应用t-SNE和MDS算法，通过从数据集中消除不必要的特征，每个数据集被转换到其原始维度的一半。随后，这些数据集与减少的维度被送入三个监督分类算法进行分类。这些分类算法是K最近邻（KNN）、扩展最近邻（ENN）和支持向量机（SVM）。同样，所有这些算法都在Matlab中实现。每个数据集的训练数据和测试数据比率保持为90%：10%。在准确率观察的基础上，分析了每种维度技术与有效分类算法的效率，并对每种分类器的性能进行了评估。
2020-06-20 cs.LG stat.ML
Behavioral analysis of support vector machine classifier with Gaussian kernel and imbalanced data
Frankfurt University of Applied Sciences（法兰克福应用科学大学）
支持向量机的惩罚参数和核参数等参数对支持向量机模型的分类精度和复杂度有很大影响。因此，SVM中的模型选择涉及这些参数的调整。然而，这些参数通常被调整并用作黑盒，而不了解数学背景或内部细节。在本文中，SVM分类模型的行为时，这些参数采取不同的值与平衡和不平衡的数据进行了分析。该分析包括可视化，数学和几何解释以及说明性的数值示例，旨在为SVM提供高斯和线性核函数的基础知识。在此基础上，提出了一种新的搜索算法。在该算法中，我们搜索到两个一维空间的最佳SVM参数，而不是搜索到一个二维空间。这大大减少了计算时间。此外，在我们的算法中，从数据的分析，核函数的范围可以预期。这也减少了搜索空间，因此减少了所需的计算时间。不同的实验进行了评估我们的搜索算法使用不同的平衡和不平衡的数据集。实验结果表明，该策略比其他搜索策略更快速、更有效.
2020-07-09 cs.LG stat.ML
An Algorithm to perform Covariance-Adjusted Support Vector Classification in Non-Euclidean Spaces
本研究提出了一种在非欧几里得空间中通过协方差调整改进SVM分类的算法，通过引入数据协方差优化提升分类性能。
2026-03-10 cs.LG stat.ML
Defending Distributed Classifiers Against Data Poisoning Attacks
University of Melbourne（墨尔本大学）
支持向量机（SVM）容易受到有针对性的训练数据操纵，例如中毒攻击和标签翻转。通过仔细地操纵训练样本的子集，攻击者迫使学习者计算不正确的决策边界，从而导致错误分类。考虑到支持向量机在工程和生命关键型应用中的重要性日益增加，我们开发了一种新的防御算法，提高了对此类攻击的抵抗能力。局部内在孤立性（LID）是一个很有前途的度量，它可以表征数据样本的离群性。在这项工作中，我们引入了一个新的近似LID称为K-LID，使用核距离的LID计算，这使得LID计算在高维变换空间。我们引入了一个加权支持向量机对这种攻击使用K-LID作为一个显着的特点，不强调可疑的数据样本的SVM决策边界的影响。每个样本都根据其K-LID值来自良性K-LID分布而不是受攻击的K-LID分布的可能性进行加权。然后，我们演示了如何提出的防御可以应用到分布式SVM框架，通过一个基于SDR的监控系统的案例研究。基准数据集的实验表明，所提出的防御大大降低了分类出错率（平均10%）。
2020-08-21 cs.LG stat.ML
Geometric Insights into Support Vector Machine Behavior using the KKT Conditions
University of North Carolina（北卡罗来纳大学）
支持向量机是一种功能强大、应用广泛的分类算法。本文使用Karush-Kuhn-Tucker条件为SVM行为的新见解提供了严格的数学证明。这些见解提供了可能意想不到的SVM和其他两个线性分类器之间的关系：平均差异和最大数据堆积方向。例如，我们表明，在许多情况下，SVM可以被视为这些分类器的裁剪版本。通过仔细探索这些连接，我们展示了SVM的调整行为如何受到特征的影响，包括：平衡与不平衡类，低维与高维，可分离与不可分离数据。这些结果通过解释观察到的病理行为和激励改进的交叉验证方法，为通过交叉验证调整SVM提供了进一步的见解。最后，我们还提供了新的结果，在高维空间中的完全数据堆积方向的几何。
2018-10-10 cs.LG stat.ML
Support Vector Machine Classifier with Rescaled Huberized Pinball Loss
本文提出了一种基于Huber化针球损失的支持向量机模型RHPSVM，通过非凸优化方法提升分类性能，尤其在处理高维小样本数据时表现优异。
2025-11-27 cs.LG stat.ML
Feature Learning Viewpoint of AdaBoost and a New Algorithm
Center for OPTical IMagery Analysis and Learning (OPTIMAL), Northwestern Polytechnical University（西北工业大学光学影像分析与学习中心）
AdaBoost算法具有抗过拟合的优势。理解这种现象的奥秘是一个非常迷人的基本理论问题。许多研究致力于从统计学的角度和边际理论来解释这一现象。本文从特征学习的角度对其进行了阐述，并提出了AdaBoost+SVM算法，该算法能够直观、易懂地解释AdaBoost的抗过拟合能力。首先，我们采用AdaBoost算法学习基分类器。然后，我们不是直接加权组合的基础分类器，把它们作为特征，并输入到SVM分类器。利用该方法，可以得到新的系数和偏差，并将其用于构造最终的分类器。我们解释了这一点的合理性，并说明了定理，当这些特征的维数增加，支持向量机的性能不会变差，这可以解释抗过拟合AdaBoost。
2019-04-08 cs.LG stat.ML
Examining the Use of Neural Networks for Feature Extraction: A Comparative Analysis using Deep Learning, Support Vector Machines, and K-Nearest Neighbor Classifiers
Rensselaer Polytechnic Institute（伦斯勒理工学院）
许多种类的神经网络被吹捧为非常强大的机器学习工具，因为它们能够从不同形式的数据中提取大量信息，提取复杂的特征并实现强大的分类能力。在这项研究中，我们使用神经网络从图像和数字数据中提取特征，并使用这些提取的特征作为其他机器学习模型的输入，即支持向量机（SVM）和k-最近邻分类器（KNN），以查看神经网络提取的特征是否增强了这些模型的能力。我们以这种方式测试了7种不同的神经网络架构，其中4种用于图像，3种用于数字数据，分别训练不同的时间长度，然后将神经网络的结果独立地与SVM和KNN的结果进行比较，最后将这些结果与使用通过神经网络架构提取的特征训练的SVM和KNN模型进行比较。在3个不同的图像数据集和2个不同的数字数据集上重复该过程。结果表明，在许多情况下，使用神经网络提取的特征显着提高SVM和KNN的能力相比，运行这些算法的原始特征，在某些情况下，也超过了神经网络单独的性能。这反过来又表明，使用神经网络作为提取特征的手段，以供其他机器学习模型对某些数据集进行分类，可能是一种合理的做法。
2018-06-12 cs.LG stat.ML
Stable Sample Compression Schemes: New Applications and an Optimal SVM Margin Bound
Toyota Technological Institute at Chicago（芝加哥丰田理工学院）；Ben-Gurion University（本-古里安大学）
我们分析了一个家庭的监督学习算法的基础上，样本压缩方案是稳定的，在这个意义上，从训练集没有选择的压缩集删除点不会改变所得的分类。我们使用这种技术来获得各种新的或改进的数据依赖的泛化界的几个学习算法。特别是，我们证明了一个新的利润率范围的SVM，删除一个对数因子。新的界限是可证明的最优的。这解决了一个长期悬而未决的问题，PAC利润率界限可实现SVM。
2020-11-09 cs.LG stat.ML
Efficiently Bounding Optimal Solutions after Small Data Modification in Large-Scale Empirical Risk Minimization
Nagoya Institute of Technology（名古屋工业大学）；University of Tsukuba（筑波大学）
我们在不断变化的环境中研究大规模的分类问题，其中一小部分数据集被修改，并且数据修改的效果必须快速地并入分类器中。当整个数据集很大时，即使数据修改量相当小，重新训练分类器的计算成本也会非常大。在本文中，我们提出了一种新的方法，有效地将这样的数据修改效果的分类器，而实际上没有重新训练it.The所提出的方法提供了未知的最佳分类器的成本只成比例的数据修改的大小的界限。我们通过数值实验证明，所提出的方法提供了足够紧的界限，可以忽略不计的计算成本，特别是当一小部分的数据集被修改在一个大规模的分类问题。
2016-06-01 cs.LG stat.ML
Support vector machine and its bias correction in high-dimension, low-sample-size settings
University of Tsukuba（筑波大学）
在本文中，我们考虑的支持向量机（SVM）在高维，低样本量（HDLSS）设置的渐近性质。我们表明，硬利润率线性支持向量机具有一致性的属性，在某些严重的条件下，当维数趋于无穷大时，误分类率趋于零。我们发现，支持向量机是非常有偏见的HDLSS设置和它的性能直接受到影响的偏见。为了克服这些困难，我们提出了一个偏差校正支持向量机（BC-SVM）。我们表明，BC-SVM在HDLSS设置提供了更好的性能。我们还讨论了支持向量机在多类HDLSS设置。最后，我们在实际数据分析中检查分类器的性能。
2017-02-26 cs.LG stat.ML
Deep Learning for Signal Demodulation in Physical Layer Wireless Communications: Prototype Platform, Open Dataset, and Analytics
Information and Control Engineering, China University of Mining and Technology（中国矿业大学信息与控制工程学院）；State Key Laboratory of Integrated Services Networks, Xidian University（西安电子科技大学综合业务网理论与关键技术国家重点实验室）；Department of Electrical and Computer Engineering, University of Minnesota（明尼苏达大学电气与计算机工程系）；Department of Electrical and Computer Engineering, University of California, Davis（加利福尼亚大学戴维斯分校电气与计算机工程系）；College of Communications Engineering, Army Engineering University（陆军工程大学通信工程学院）
在本文中，我们研究了支持深度学习（DL）的信号解调方法，并为无线通信系统建立了第一个开放的真实调制信号数据集。具体来说，我们提出了一个灵活的通信原型平台，用于测量真实的调制数据集。然后，基于测量数据集，提出了两种基于DL的解调器，称为深度信念网络（DBN）-支持向量机（SVM）解调器和基于自适应增强（AdaBoost）的解调器。所提出的基于DBN-SVM的解调器利用DBN和SVM两者的优点，即，DBN作为特征提取器和SVM作为特征分类器的优点。在基于DBN-SVM的解调器中，接收信号在被馈送到DBN网络之前被归一化。在此基础上，设计了一种基于AdaBoost的解调器，该解调器采用$k$ -最近邻（KNN）作为弱分类器，形成强组合分类器。实验结果表明，基于DBN-SVM的解调器和基于AdaBoost的解调器优于基于DBN、SVM和最大似然（MLD）解调器的单一分类方法。
2019-03-08 cs.LG eess.SP stat.ML
Breakdown Point of Robust Support Vector Machine
Nagoya University（名古屋大学）；The University of Tokyo（东京大学）
支持向量机（SVM）是解决分类问题最成功的学习方法之一。尽管支持向量机很受欢迎，但它有一个严重的缺点，即对训练样本中的离群值敏感。错误分类的惩罚由称为铰链损失的凸损失定义，凸损失的无界性导致对离群值的敏感性。为了处理离群值，已经提出了SVM的鲁棒变体，例如鲁棒离群值检测算法和具有称为斜坡损失的有界损失的SVM。在本文中，我们提出了一个强大的SVM的变种，并研究其鲁棒性的崩溃点。崩溃点是鲁棒性度量，其是最大量的污染，使得估计的分类器仍然给出关于未污染数据的信息。本文的主要贡献是显示一个准确的评估故障点的强大的支持向量机。对于我们算法中的正则化参数等学习参数，我们推导出一个简单的公式，保证了分类器的鲁棒性。当使用交叉验证的网格搜索确定学习参数时，我们的公式可以减少候选搜索点的数量。数值实验证实了该方法的鲁棒性。我们表明，强大的支持向量机的统计特性很好地解释了故障点的理论分析。
2014-09-03 cs.LG stat.ML
A meta-learning recommender system for hyperparameter tuning: predicting when tuning improves SVM classifiers
Federal Technology University（联邦技术大学）；University of São Paulo（圣保罗大学）；Universidade Estadual Paulista（保利斯塔州立大学）；Eindhoven University of Technology（埃因霍温理工大学）
对于许多机器学习算法，预测性能受到用于训练它们的超参数值的严重影响。然而，调整这些超参数可能会带来很高的计算成本，特别是在较大的数据集上，而调整后的设置并不总是显著优于默认值。本文提出了一种基于元学习的推荐系统，以准确地识别何时使用默认值以及何时为每个新数据集调整超参数。此外，还进行了深入的分析，以了解他们在决策时考虑了哪些因素，从而提供了有用的见解。对156个数据集的不同类别的元特征、元学习者和设置进行了广泛的分析。结果表明，它是可以准确地预测时，调整将显着提高性能的诱导模型。所提出的系统减少了优化过程所花费的时间，而不会降低诱导模型的预测性能（与使用调谐超参数获得的模型相比）。我们还解释了基于线性可分性假设的元学习者的决策过程。虽然该分析集中在支持向量机的调整上，但是它也可以应用于其他算法，如用决策树执行的实验中所示。
2019-06-11 cs.LG stat.ML
GADGET SVM: A Gossip-bAseD sub-GradiEnT Solver for Linear SVMs
State University of New York（纽约州立大学）
在大数据时代，机器学习研究人员武器库中的一个重要武器是可扩展的支持向量机（SVM）算法。SVM被广泛用于解决分类问题。传统的支持向量机学习算法通常与训练集大小呈超线性关系，这对于大数据集来说是不可行的。近年来，可扩展的算法已经设计研究的原始或对偶配方的问题。这通常意味着一种分解问题并促进分布式算法开发的方法。在本文中，我们提出了一种分布式算法学习线性支持向量机的原始形式的二进制分类称为Gossip-bAseD子分类器（GADGET）SVM。该算法的设计，使它可以在分布式系统的节点上本地执行。每个节点处理其局部均匀划分的数据，并学习原始SVM模型。然后，它与随机邻居谈论学习的分类器，并使用这些信息来更新模型。广泛的理论和实证结果表明，这种随时随地算法的性能与其集中式和在线同行。
2018-12-05 cs.LG stat.ML
Accelerating Kernel Classifiers Through Borders Mapping
支持向量机（SVM）和其他核技术代表了一系列强大的统计分类方法，具有高精度和广泛的适用性。然而，由于它们使用所有或大部分训练数据，因此它们可能很慢，特别是对于大型问题。分段线性分类器同样是通用的，但具有简单、易于解释的额外优点，并且如果分量线性分类器的数量不是太大，则具有速度。在这里，我们展示了如何从基于核的分类器训练一个简单的分段线性分类器，以提高分类速度。该方法的工作原理是通过找到相反类对之间的条件概率差异的根来建立决策边界的表示。当在17个不同的数据集上进行测试时，它成功地将其中12个数据集的SVM分类速度提高了两个数量级。其中，有两个比简单的线性分类器更不准确。该方法最适合于具有连续特征数据和光滑概率函数的问题。因为分量线性分类器是从现有分类器单独建立的，而不是通过同时优化过程，所以分类器也可以快速训练。
2023-01-28 cs.LG stat.ML
Modified Frank-Wolfe Algorithm for Enhanced Sparsity in Support Vector Machine Classifiers
Universidad Autónoma de Madrid（马德里自治大学）；KU Leuven（鲁汶大学）
本文提出了一种新的训练加权L2支持向量机（SVM）的算法，该算法的灵感来自Candès等人的加权Lasso算法和Jaggi最近提出的Lasso和SVM之间的等价性。特别地，每个训练向量所需的余量被独立地设置，从而定义新的加权SVM模型。这些权重被选择为二进制的，并且它们在模型的训练期间自动适应，导致Frank-Wolfe优化算法的变体，其具有与原始算法基本相同的计算复杂性。如实验所示，该算法在计算上更便宜，因为它需要更少的迭代来收敛，并且它产生的模型在支持向量方面具有更稀疏的表示，并且相对于正则化超参数的选择更稳定。
2018-04-13 cs.AI cs.LG stat.ML
Alleviating Hyperparameter-Tuning Burden in SVM Classifiers for Pulmonary Nodules Diagnosis with Multi-Task Bayesian Optimization
Yau Mathematical Sciences Center Tsinghua University（姚数学科学中心清华大学）；The First Affiliated Hospital of Guangzhou Medical University（广州医科大学第一附属医院）；China State Key Laboratory of Respiratory Disease（中国呼吸疾病国家重点实验室）；Academy of Mathematics and Systems Science Chinese Academy of Sciences（数学科学学院中国科学院）；University of Chinese Academy of Sciences（中国科学院大学）；Department of Thoracic Surgery and Oncology The First Affiliated Hospital of Guangzhou Medical University（胸外科与肿瘤科广州医科大学第一附属医院）
本研究针对肺结节诊断中图像离散化方法导致的SVM超参数调优耗时问题，首次提出利用多任务贝叶斯优化加速RBF SVM分类器的超参数搜索，显著提升了调优效率。
2025-11-05 cs.CV cs.LG eess.IV
A novel multiclassSVM based framework to classify lithology from well logs: a real-world application
IIT Kharagpur（印度理工学院卡拉格普尔分校）
支持向量机（SVMs）已被公认为一个潜在的工具，监督分类分析在不同的研究领域。本质上，SVM是一个二元分类器。因此，在多类问题的情况下，问题被分成一系列的二元问题，这些二元问题由二元分类器来解决，最后分类结果按照一对一或一对所有策略进行组合。在本文中，已尝试分类岩性使用多类支持向量机为基础的框架，使用测井曲线作为预测变量。这里，根据地质专家建议的砂和页岩分数的相对值，将岩性分为四类，例如砂、泥质砂、砂质页岩和页岩。可用的数据集包括测井（伽马射线，中子孔隙度，密度，和P-声波）和类信息从四个紧密间隔的井从陆上油气田分为训练和测试集。我们使用了一个对所有的策略来结合多个二进制分类器的结果。报告的结果建立了多类SVM的优越性相比，其他分类器的分类精度。对核函数和相关参数的选择也进行了研究。可以设想，从本研究中取得的结果，所提出的框架的基础上多类SVM可以进一步用于解决分类问题。在未来的研究工作中，可以在框架中引入地震属性，从地震输入中对整个研究区域的岩性进行分类。
2016-12-02 cs.LG stat.AP stat.ML
Spectral Algorithms for Computing Fair Support Vector Machines
UC Berkeley（加州大学伯克利分校）
分类器和评级分数倾向于隐含地编码偏差，其可能存在于训练数据中，针对受保护的类（即，年龄、性别或种族）。因此，了解如何设计分类器和分数以防止预测中的歧视是很重要的。本文开发了计算上易于处理的算法，用于设计准确但公平的支持向量机（SVM）。我们的方法对每个受保护类的协方差矩阵施加了约束，这导致了SVM公式中的非凸二次约束。我们开发迭代算法来计算公平的线性和核SVM的，解决了一系列的松弛构造使用谱分解的非凸约束。在几个数据集上的数值实验表明，它在实现高预测精度，同时确保公平的有效性。
2017-10-16 cs.LG math.OC stat.ML
A Study of Data Pre-processing Techniques for Imbalanced Biomedical Data Classification
Swinburne University of Technology（斯威本科技大学）；Deakin University（迪肯大学）；Harvard Medical School（哈佛医学院）
生物医学数据在开发用于识别特定肿瘤、药物发现和人类癌症分类的预测模型中被广泛接受。然而，以往的研究通常集中在不同的分类器，而忽略了类不平衡的问题，在现实世界的生物医学数据集。目前缺乏对不平衡生物医学数据学习的数据预处理技术（如重排序和特征选择）的评价研究。数据预处理技术和数据分布之间的关系在以前的研究中从未被分析过。本文主要回顾和评价了一些流行的和最近发展起来的类不平衡学习的特征选择方法。我们从数据分布的角度分析了每种技术的有效性。基于五个分类器，四个性能指标，八种学习技术，在二十个真实世界的数据集上进行了广泛的实验。实验结果表明：（1）使用支持向量机（SVM）分类器时，再分类和特征选择技术表现出更好的性能。然而，当使用C4.5决策树和线性判别分析分类器时，恢复和特征选择技术的性能较差;（2）对于具有不同分布的数据集，当使用SVM和KNN（K-最近邻）分类器时，随机欠采样和特征选择等技术的性能优于T位置-尺度分布的数据预处理方法。在负二项分布上，随机过采样方法的不平衡率较低，优于其他方法;（3）特征选择方法在大多数情况下优于其他数据预处理方法，因此，特征选择SVM分类器是不平衡生物医学数据学习的最佳选择。
2019-11-04 cs.LG q-bio.QM stat.ML
Support Vector Machine Classifier via $L_{0/1}$ Soft-Margin Loss
Beijing Jiaotong University（北京交通大学）；Hainan University（海南大学）；University of Southampton（南安普顿大学）
支持向量机由于其广泛的应用在过去的二十年里引起了人们的极大关注，并提出了许多最优化模型。为了区分所有这些，在本文中，我们引入了一个新的模型配备了一个$L_{0/1}$软利润损失（称为$L_{0/1}$ -SVM），很好地捕捉了二进制分类的性质。许多现有的凸/非凸软余量损失可以被视为$L_{0/1}$软余量损失的替代。尽管$L_{0/1}$是离散的，但我们证明了新模型的全局极小解的存在性，并揭示了其极小解与KKT/P-平稳点之间的关系.这些理论性质使我们能够利用乘子的交替方向法。此外，$L_{0/1}$ -支持向量算子被引入作为一个过滤器，以防止在训练过程中的支持向量离群值。因此，预计该方法相对稳健。最后，数值实验表明，我们提出的方法产生更好的性能，在更短的计算时间，更少的支持向量的数量时，对其他一些领先的方法在支持向量机领域。当数据量越来越大时，它的优势变得更加明显。
2021-04-05 cs.LG math.OC stat.ML
Structured variable selection in support vector machines
在将支持向量机（SVM）应用于高维分类问题时，为了消除不相关预测因子的影响，通常在SVM中加入稀疏结构。Lasso和其他变量选择技术已成功地用于SVM中，以执行自动变量选择。在某些问题中，变量之间存在自然的层次结构。因此，为了具有可解释的SVM分类器，重要的是在SVM中执行稀疏性时尊重遗传原则。然而，许多变量选择方法不尊重遗传原则。在本文中，我们通过使用最初在Yuan，Joseph和Zou（2007）中提出的所谓结构化变量选择（SVS）框架，在SVM中执行稀疏性和遗传性原则。我们最小化经验铰链损失下的一组线性不等式约束和套索型惩罚。该解总是服从期望遗传原理，具有稀疏性。新的SVM分类器可以有效地拟合，因为优化问题是一个线性规划。这项工作的另一个贡献是提出了一个非参数扩展的SVS框架，我们提出了非参数遗传支持向量机。仿真和实际数据的使用来说明所提出的方法的优点。
2008-02-22 math.ST stat.ML stat.TH
Machine Learning in Downlink Coordinated Multipoint in Heterogeneous Networks
我们提出了一种用于异构第五代新无线电（NR）网络中的下行链路协作多点（DL CoMP）的方法。我们的论文的主要贡献是一个算法，以提高触发DL CoMP使用在线机器学习。我们使用支持向量机（SVM）分类器，以提高用户的下行链路吞吐量在一个现实的频分双工网络环境。我们的仿真结果表明，由于SVM分类器学习到的多个无线电流的通知触发，宏基站和微微基站下行链路吞吐量都有所改善。
2019-02-01 cs.NI stat.ML
Spoken English Intelligibility Remediation with PocketSphinx Alignment and Feature Extraction Improves Substantially over the State of the Art
International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术学院）；Beijing University of Technology（北京工业大学）；TalkNicer.com, LLC（TalkNicer有限责任公司）
我们使用自动语音识别来评估英语口语学习者的发音，基于学习者口语响应的真实可懂度，这些口语响应是从支持向量机（SVM）分类器或深度学习神经网络模型对转录正确性的预测确定的。使用PocketSphinx对齐模式产生的数字特征和许多识别通道，搜索每个预期音素的替换和删除以及按顺序插入意外音素，SVM模型与Amazon Mechanical Turk crowdworker transmittance的准确率达到82%，高于多个独立研究人员报告的75%。使用这些功能与SVM分类器概率预测模型可以帮助计算机辅助发音教学（CAPT）系统提供可懂度补救。
2018-01-26 cs.CL stat.ML
