李飞宏博士提出新型REQ损失函数提升SVM鲁棒性
该文提出一种新型重新缩放指数商（REQ）损失函数，显著提升了系数支持向量模型的鲁棒性，并构建了REQ支持向量模型。由于REQ损失具有非凸特性，研究者通过共轭函数将其转化为每个变量均为凸的二元形式，进而推导出新优化问题的一阶最优性条件。在此基础上，引入工作集机制，充分挖掘REQ损失的稀疏结构，设计出基于半二次优化的快速交替方向乘子法框架，并严格证明了其全局收敛性。针对分布式场景中因可扩展性或隐私约束而无法与中央节点直接通信的问题，论文进一步构建了基于共识优化的分布式REQ支持向量机，并开发了高效求解算法。此
机器学习核心概念与主流技术综述
本文系统阐述人工智能通识中机器学习基础部分的内容，首先阐明机器学习作为依托数据资源、借助算法工具挖掘规律的方法论，按照样本是否带有标签划分为监督式与无监督式两大类别，其中监督学习涵盖分类与回归两种核心任务。随后深入解析线性回归、支持向量机、K均值聚类等经典算法的基本原理、数学公式、实现步骤及其各自优缺点。接着探讨模型的评估与优化策略，阐释经验误差、欠拟合、过拟合等关键概念及其对应的解决方案，介绍留出法、交叉验证等评估方法，以及针对回归与分类任务的不同性能度量指标。最后概述当前主流机器学习研究方向，包括善于