Robustness of learning algorithms using hinge loss with outlier indicators

ما یک فرمول واحد از روش های یادگیری قوی برای طبقه بندی و مشکلات رگرسیون پیشنهاد می کنیم. در روش های یادگیری، از دست دادن لولای با شاخص های خروجی استفاده می شود تا بتواند اطلاعات موجود در داده های مشاهده شده را شناسایی کند. برای تجزیه و تحلیل اموال استحکام، نقطه ی شکست روش های یادگیری را در وضعیتی که نسبت خروج از لزوما کوچک نیست، ارزیابی می کنیم. اگرچه به حداقل رساندن از دست دادن لولا با شاخص های غیر منتظره یک مسئله بهینه سازی غیر غوطه ور است، ما ثابت می کنیم که هر راه حل بهینه محلی الگوریتم های یادگیری ما دارای ویژگی قدرت است. یافته های نظری در آزمایش های عددی تایید شده است.