ปัญหาการพัฒนาซัพพอร์ตเวกเตอร์แมชชีนให้สามารถจำแนกข้อมูลได้หลายกลุ่มยังคงอยู่ในขั้นตอนการวิจัย ซีดีดีเอจี (Decision Directed Acyclic Graph - DDAG) ให้ความถูกต้องเทียบได้กับวิธีแมกซ์วิน (Max Wins) ที่เป็นอัลกอริทึมที่ให้ค่าความถูกต้องสูงที่สุดในปัจจุบัน แต่ใช้เวลาในการสอนและประมวลผลต่ำกว่า วิธีเอดีเอจี (AdaptiveDirected Acyclic Graph - ADAG) สามารถลดปัญหาที่เกิดจากโครงสร้างของดีดีเอจีได้อย่างไรก็ตามลำดับของโนดที่แตกต่างกันในวิธีเอดีเอจีอาจให้ความถูกต้องที่แตกต่างกัน งานวิจัยนี้ได้เสนอวิธีการใหม่สำหรับการจำแนกข้อมูลแบบหลายกลุ่ม เรียกว่าอาร์เอดีเอจี(Reordering Adaptive Directed Acyclic Graph - RADAG) ซึ่งเป็นการปรับปรุงวิธีเอดีเอจีเดิมและได้เสนออัลกอริทึมสำหรับการเลือกลำดับที่เหมาะสมของโนดในวิธีเอดีเอจีเพื่อนำมาใช้ในการจำแนกข้อมูล โดยพิจารณาจากค่าขอบเขตของความผิดพลาดของตัวจำแนกข้อมูลทั้งหมด และได้นำอัลกอริทึมการจับคู่สมบูรณ์แบบน้ำหนักน้อยสุด (Minimum-weight perfectmatching) มาประยุกต์ใช้กับอัลกอริทึมที่ทำการจัดเรียงลำดับเพื่อเลือกตัวจำแนกที่มีค่าขอบเขตของความผิดพลาดต่ำมาใช้ในการจำแนกข้อมูล และเพื่อเลือกลำดับของโนดที่เหมาะสมให้ได้ภายในเวลาพหุนาม (polynomial time) งานวิจัยนี้ได้เปรียบเทียบประสิทธิภาพของวิธีการใหม่กับวิธีดีดีเอจี เอดีเอจี และแมกซ์วิน ผลการทดลองที่ได้แสดงให้เห็นว่าวิธีการใหม่ให้ความถูกต้องที่สูงกว่า และมีการประมวลผลเร็วกว่าวิธีแมกซ์วิน โดยเฉพาะอย่างยิ่งเมื่อมีจำนวนกลุ่ม (class) และจำนวนมิติของข้อมูล (dimension) สูง งานวิจัยนี้ได้เสนอแนวทางในการเพิ่มประสิทธิภาพของวิธีอาร์เอดีเอจีและวิธีดีดีเอจีด้วย