高斯RBF支持向量迴歸預測函數最小化的DCA收斂性評估

研究論文提出一個框架，應用差分凸函數算法（DCA）來最小化已訓練的支持向量迴歸（SVR）模型的預測函數，其中使用高斯徑向基函數（RBF）核。該框架利用RBF核的解析結構來構建顯式的DC分解，推導出強凸參數的下界μ和梯度Lipschitz常數的上界L的閉式表達式。這些界限僅由後訓練雙重係數Cα、RBF核參數γ以及DC分解參數ρ決定，並共享一個共同的主要項Cαρ。通過六個基準函數的數值實驗，研究顯示Cαρ是表徵DCA收斂性質和初始點依賴性的主要單一數量。此外，它分解為兩個獨立路徑C→Cα和γ→ρ，其主要變化由SVR超參數（C,γ）控制。這些結果允許通過單一標量Cαρ提前評估DCA在RBF-SVR上的收斂性質：近似地從超參數（C,γ）估計，或在訓練後精確計算。