从提供的文件信息中，我们可以提炼出以下知识点：
1. 支持向量机（SVM）的起源与发展
SVM（Support Vector Machine）最初由Vapnik提出，它的高泛化能力基于结构风险最小化规则。它主要被用于解决二分类问题。然而，当遇到类别不平衡问题时，SVM的性能并不理想。结构风险最小化是SVM的一个重要理论基础，它使得SVM在分类任务中具有较强的泛化能力。
2. 一类分类（One-class classification）
一类分类是指在训练阶段只使用目标类别的样本进行分类器的训练。测试样本可以通过训练出的分类器来判断为属于目标类别还是非目标类别。在现实世界中，一类分类有很多应用场景，如机器故障检测、网络安全入侵检测、医学诊断、信用评分、自动化货币验证等。
3. 基于重缩放铰链损失函数的鲁棒一类支持向量机（OCSVM）
本研究提出了一个新的鲁棒一类支持向量机模型，该模型基于重缩放的铰链损失函数。这种损失函数的使用是为了增强传统OCSVM对离群点的鲁棒性。优化问题可以通过半二次优化技术迭代求解。从理论分析来看，与传统OCSVM相比，该鲁棒OCSVM可能实现更高的泛化性能。此外，从加权视角解释了鲁棒OCSVM对离群点的鲁棒性。
4. 半二次优化技术
半二次优化是一种迭代求解优化问题的技术，用于求解研究中提出的鲁棒OCSVM。该技术在机器学习领域被广泛采用，尤其是在优化支持向量机时。
5. 离群点的鲁棒性
在机器学习和模式识别领域，数据常常会包含离群点，即与主流数据分布不一致的数据点。离群点可能会对模型的泛化能力产生负面影响。通过引入重缩放的铰链损失函数，研究中提出了的鲁棒OCSVM在理论和实验上都表现出了对离群点更好的鲁棒性。
6. 实验结果
研究者在合成数据集和基准数据集上进行了实验，结果表明提出的鲁棒OCSVM在性能上优于传统的一类支持向量机及其他两种相关方法。这表明，研究提出的模型在提高一类分类问题的鲁棒性方面具有实际应用潜力。
7. 关键词
文章中提到的关键词包括一类分类（One-class classification）、一类支持向量机（One-class SVM）、铰链损失函数（Hinge loss function）和半二次优化（Half-quadratic optimization）。这些关键词概括了文章的核心概念和研究方向。
8. 文章的出版信息
本研究论文发表于2018年，由Hong-Jie Xing和Man Ji撰写，发表在《模式识别》（Pattern Recognition）期刊上，卷号为84，页码范围为152-164。文章还提供了论文的接收、修订和接受日期，以及文章在线可用的日期。
总体来说，这篇研究论文提出了一个针对一类分类问题的改进支持向量机模型，使用重缩放的铰链损失函数来提高模型对于离群点的鲁棒性，并通过实验验证了其有效性。这类研究对于机器学习在不平衡数据集和现实世界复杂问题中的应用具有重要的意义。
