{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期部分”：[[2023,12,15]]，“日期时间”：“2023-12-15T00:42:06Z”，“时间戳”：1702600926067}，“引用计数”：0，“发布者”：“IOS出版社”，“isbn-type”：[{“值”：“9781643684703”，“类型”：”打印“}，{“数值”：“97 81643684 710“，”type“：”electronic“}]，”license“：[{”start“用法：{“date-parts”：[[2023,12,12]]，“date-time”：“2023-12-12T00:00:00Z”，“timestamp”：1702339200000}，“content-version”：“unspecified”，“delay-in-days”：0，“URL”：“https:\\/creativecommons.org\/licenses\\by-nc\/4.0\/”}]，“content-domain”：{”domain“：[]，“crossmark-restriction”：false}，”short-container-title“:[]，”published-print“：{部分“：[[2023,12,12]]}，“摘要”：“半监督支持向量机（S3VM）算法由于其良好的性能，可以有效地处理少数标记实例和大量未标记实例的问题。现有半监督支持向量机算法的求解需要使用多种优化策略，因为它以所有训练数据为参数参与迭代优化，这使得高效处理大规模数据变得困难。虽然简单随机抽样是从数据预处理的角度考虑有效建模的有效手段，但由于抽样随机性和样本差异的存在，提前确定样本大小的问题很难处理。为了充分表征原始未标记数据并确保模型的鲁棒性，我们提出了一种自适应采样方法，在标记集和采样未标记集上训练模型。固定大小的未标记实例从原始未标记集合中连续采样，直到所获得样本的拟议统计满足停止条件，其中统计和停止条件由密度估计生成。该方法解决了预先主观确定样本量的问题，并用近似正确的学习理论证明了该算法的鲁棒性<\/jats:p>“，”DOI“：”10.3233\/faia231021“，”type“：”book-chapter“，”created“：{”date-parts“：[2023,12,14]]，”date-time“：”2023-12-14T15:05:54Z“，”timestamp“：1702566354000}，”source“：“：”新悦“，”family“：”Zhao“，”sequence“：”first“，”affiliation“：[{”name“：”山东农业大学信息科学与工程学院，泰安271018，中国“}]}，{”given“：”Xiaoyang“，”family”：“Sun”，“sequence”：“additional”，“affiliation:[{“name”：“”山东农业学院，泰山271018”}]}，{“given”：“Jing”，“family”：“Zhang”，“sequence”：“additional”，“affiliation”：[{“name”：“山东农业大学信息科学与工程学院，中国泰安271018”}]}，{”given“：”云生“，”family“：”Song“，”sequence“：”additional“，”affiliance“：[{name”：“山东农业大学信息科学与工程学院，中国泰安271018”}]}]，“成员”：“7437”，“容器-时间”：[“模糊系统与数据挖掘IX”，“人工智能与应用的前沿”]，“原始标题”：[]，“链接”：[{“URL”：“https:\/\/ebooks.iospress.nl \/pdf\/doi\/10.3233\/FAIA231021”，“内容-类型”：“unspecified”，“content-version”：“vor”，“intended-application”：“similarity-checking”}]，“deposted”：{“date-parts”：[[2023,12,14]]，“date-time”：“2023-12-14T15:05:55Z”，“timestamp”：1702566355000}，“score”：1，“resource”：{primary“：{”URL“https:\/\/ebooks.iospress.nl\/doi\/10.3233\/FAIA231021”}}，]，“短标题”：[]，“已发布”：{“日期-部分”：[[2023,12,12]]}，“ISBN”：[“9781643684703”，“97811643684710”]，“references-count”：0，“URL”：“http://\/dx.doi.org\/10.3233\/faia231021”，“relationship”：{}，”ISSN“：[“0922-6389”，“1879-8314”]，”ISSN-type“：[{”value“：”0922-6399“，”type“:”print“}，{”value“：”1879-8314]“，”type“：”electronic“}]，”subject“：[]，”published“：{”date-parts“：[2023,12,12]]}}