请给出Adaboost-based support vector machine with universum data的latex伪代码

以下是Adaboost-based support vector machine with universum data的伪代码：

输入：训练集 $D=\{(x_1,y_1,u_1),\ldots,(x_m,y_m,u_m)\}$，其中 $x_i$ 是样本的特征向量，$y_i\in\{-1,1\}$ 是样本的标签，$u_i$ 是样本的 universum 标记；迭代次数 $T$。

输出：最终分类器 $f(x)$。

1: 初始化样本权重向量 $\mathbf{w}_1=(w_{1,1},\ldots,w_{1,m}),w_{1,i}=\frac{1}{m}$。
2: 对 $t=1,2,\ldots,T$ 执行以下操作：
3: 使用权重向量 $\mathbf{w}_t$ 训练一个 SVM 分类器 $h_t(x)$，其中 $h_t(x)$ 需要考虑 universum 数据；
4: 计算分类误差 $\epsilon_t=\sum_{i=1}^m w_{t,i}\mathbb{I}(h_t(x_i)\neq y_i)$；
5: 如果 $\epsilon_t\geq 0.5$，则退出循环；
6: 计算 $h_t(x)$ 的权重 $\alpha_t=\frac{1}{2}\ln\frac{1-\epsilon_t}{\epsilon_t}$；
7: 更新样本权重向量：
$$w_{t+1,i}=\frac{w_{t,i}}{Z_t}\exp(-\alpha_ty_ih_t(x_i)),$$
其中 $Z_t$ 是归一化因子，使得 $w_{t+1}$ 成为概率分布。
8: 输出最终分类器 $f(x)=\operatorname{sign}\left(\sum_{t=1}^T\alpha_th_t(x)\right)$。

其中 $\mathbb{I}(\cdot)$ 是指示函数，当括号内的条件成立时取值为 1，否则为 0。