Đối với cộng đồng học thuật, có nhiều hướng nghiên cứu, phát triển và ứng dụng SVM [51, 6]. Có thể kể đến một số hướng nghiên cứu như: Áp dụng SVM cho bài toán phân lớp dữ liệu không cân bằng [9, 2, 26]; Như đã đề cập tới ở Chương 1, giải SVM tương đương với việc giải bài toán QP lồi được đặc trưng bởi một ma trận dày đặc mà số hàng bằng số lượng điểm dữ liệu huấn luyện, do đó SVM bị hạn chế khi tập dữ liệu lớn. Giảm thiểu độ phức tạp của SVM cũng là một hướng nghiên cứu được cộng đồng quan tâm [13, 29, 60]; Bên cạnh đó là các kĩ thuật giảm chiều dữ liệu, giảm số lượng điểm dữ liệu, trích chọn đặc trưng nhằm thực thi SVM với tập dữ liệu lớn [7, 53]. Ngoài ra, có thể kể tới các công trình nghiên cứu gần đây như: Weighted svm algorithm for efficient classification and prediction of binary response data [5], Twin structural weighted relaxed svm (TS-WRSVM) [36]. Tuy nhiên, các hướng nghiên cứu này sẽ không được phân tích trong luận án, bởi vì luận án tập trung vào cải tiến SVM cho dữ liệu đa cấu trúc, nơi mà mỗi lớp bao gồm nhiều cụm, mỗi cụm có xu hướng phân phối riêng biệt. Các biến thể của SVM được trình bày trong chương này là những tiền đề cho Chương 3 và Chương 4. Cụ thể trong chương này, một số biến thể tiêu biểu của SVM được đề cập, với cách tiếp cận tìm hai siêu phẳng song song hoặc không nhất thiết song song để tách hai lớp dữ liệu như: SVM xấp xỉ (PSVM) [16, 18, 30], SVM xấp xỉ thông qua trị riêng suy rộng (GEPSVM) [32, 33, 15, 21], SVM song sinh (TSVM) [20, 22, 37, 57], SVM song sinh dùng bình phương tối thiểu (LSTSVM) [27, 28, 44, 58, 35, 42], SVM song sinh có cấu trúc (S-TSVM) [43, 55, 56].