Resumen Las máquinas de soporte vectorial penalizadas son herramientas efectivas para clasificar de manera eficiente datos de alta dimensión. A pesar de sus ventajas, la naturaleza no suave de la función de pérdida de margen representa desafíos considerables para diseñar algoritmos de optimización eficientes. Para cerrar esta brecha, proponemos un enfoque de suavizado basado en convolución que aborda efectivamente el problema de la no suavidad mientras preserva la convexidad. La suavidad mejorada y la convexidad retenida facilitan la construcción de un algoritmo de descenso de gradiente proximal. Experimentos numéricos exhaustivos realizados en conjuntos de datos simulados y del mundo real destacan el rendimiento superior de los métodos propuestos en comparación con los algoritmos existentes.
Chen et al. (Mar,) estudiaron esta cuestión.