Esistono applicazioni in cui SVM è ancora superiore?

L'algoritmo SVM è piuttosto vecchio: è stato sviluppato negli anni '60, ma era estremamente popolare negli anni '90 e 2000. È una parte classica (e piuttosto bella) dei corsi di apprendimento automatico.

Oggi sembra che nell'elaborazione dei media (immagini, suoni, ecc.) Le reti neurali dominino completamente, mentre in altre aree il Gradient Boosting ha posizioni molto forti.

Inoltre, nelle recenti gare di dati non osservo soluzioni basate su SVM.

Sto cercando esempi di applicazioni in cui SVM fornisce ancora risultati all'avanguardia (a partire dal 2016).

Aggiornamento: Vorrei avere qualche esempio che posso dare ad esempio a studenti / colleghi quando spiegano SVM in modo che non sembri un approccio puramente teorico o deprecato.

Secondo l'articolo Abbiamo bisogno di centinaia di classificatori per risolvere i problemi di classificazione del mondo reale? SVM insieme a Random Forest e Gradient Booting Machines sono tra gli algoritmi di classificazione con le migliori prestazioni per un ampio set di oltre 120 set di dati (usando l'accuratezza come metrica).

Ho ripetuto i loro esperimenti con alcune modifiche e ho ottenuto che questi tre classificatori funzionassero meglio degli altri, ma poiché il teorema no free lunch dice che c'è sempre un problema in cui alcuni altri algoritmi funzionano meglio di questi tre.

Quindi sì, direi che SVM (con il kernel gaussiano - questo è quello che ho usato) è ancora un algoritmo rilevante per set di dati non multimediali.