姓名：陈婷

学号：19021210968

【嵌牛导读】今天要介绍的这篇论文讨论的是非常经典的利用特权信息学习（LUPI）问题，文中新提出的方法是dSVM+方法，可以很好的利用特权信息。很多这个领域的同学都非常清晰SVM算法，但是对于SVM+算法却是非常的陌生的。

【嵌牛鼻子】机器学习 LUPI问题 特权信息

【嵌牛提问】 辅助信息究竟是如何提高模型的识别能力的？

【嵌牛正文】

       下面稍微通俗的解释下LUPI问题，LUPI对传统的训练集是（X,Y）SVM分类的改进方法，添加了特权信息，变成了（X,X*,Y），这里的X*指的就是特权信息。特权信息的来源可以有很多个方面，文章中举了三个例子（例如常见的MINI_data,手写数字识别的例子，添加的特权信息是诗歌类型的描述，比如是否倾斜，是否是两个部分，这就增加了原始特征）

        LUPI重点：辅助信息在训练的时候是可以用的，但是在测试的时候是没有办法用的

        新提出的方法：dSVM+；而具体的是在DSVM算法中，特权信息是如何被利用的呢？

        一句话总结就是：dSVM+，是将特权信息进行转换，转换后利用SVM+方法求解。

        转换步骤如下：

对于三个步骤的总结：先在特权信息（特征）利用SVM方法，求出特权域的W，然后计算出偏差值，这个偏差值被带入到SVM+的方法里去。

原文文章链接：http://www.docin.com/p-1464074121.html

2.算法回顾

2.1 SVM     

         SVM是作为分类器，学习方法是把数据映射到一个高维空间上，使数据变稀疏，比较容易找到一个分割面来将数据分类，而这个高维的分割面就是超平面。而SVM做的就是找到这样一个超平面使得数据点离这个超平面尽可能的远，这样的分类效果才会好。

这里简单描述了下SVM满足的数学条件，可以和下面的SVM+算法进行一个对比

推荐博客：http://blog.csdn.net/v_july_v/article/details/7624837      

2.2 SVM +

        SVM+是利用特权信息作为松弛变量的函数，用来提高分类的准确率和收敛速度的。SVM+算法满足的式子：

SVM+是利用特权信息作为松弛变量的函数

推荐论文：https://www.jianshu.com/writer#/notebooks/46074387/notes/70822896