×

SVMTorch公司

swMATH ID: 12121
软件作者: 罗南·库洛伯特;萨米·本吉奥
描述: SVMTorch:大规模回归问题的支持向量机。回归问题的支持向量机(SVM)是通过求解一个二次优化问题来训练的,该问题需要按l2内存和时间资源的顺序来求解,其中l是训练示例的数量。在本文中,我们提出了一种分解算法SVMTorch,它类似于T.Joachims提出的SVM-Light[“使大规模支持向量机学习实用化”,收录于:B.Schölkopf,C.Burges,and a.Smola(eds.),《核方法的进展》。伦敦:麻省理工学院出版社(1998;Zbl 0935.68084)],但适应了回归问题。使用此算法,现在可以有效地解决大规模回归问题(超过20000个示例)。将Nodelib与G.Flake和S.Lawrence针对大规模回归问题的另一种公开可用的SVM算法进行比较[Mach.Learn.46271–290(2002;Zbl 0998.68107)],时间得到了显著改善。最后,基于C.Lin最近的一篇论文[关于支持向量机分解方法的收敛性(技术代表).国立台湾大学(2000)],我们证明了我们算法的收敛性证明。
主页: http://bengio.abracadou.com/SVMTorc.html
关键词: SVM-轻型;Nodelib公司
相关软件: UCI-毫升;伦敦银行支持向量机;SVM灯;GPDT公司;LOQO公司;RSVM公司;配置文件_QP;4.5条;ElemStatLearn(电子状态学习);阿达·布斯特。MH公司;Matlab公司;MINOS公司;OOQP(OOQP);MNIST公司;R(右);e1071号;中央情报局;SSVM(SSVM);帕伽索斯;
引用于: 48文件
全部的 前5名

103位作者引用

4 卢卡·赞尼
托马斯·塞拉菲尼
2 阿迪尔·巴吉洛夫。
2 萨米·本吉奥
2 陈晓波
2 罗南·科尔伯特
2 何塞·马蒂亚斯。
2 牛、凌峰
2 孙建国
2 哈维尔·塔博达
2 索纳·塔赫里
2 杨健
2 盖塔诺·赞吉拉特
2 赵永平
1 内藤亚部
1 蒙吉·阿比迪。
1 亚伯拉罕·阿吉思
1 维韦克·阿加瓦尔
1 苏达贝·阿萨迪
1 大卫·巴丘
1 约书亚·本吉奥
1 迪米特里·贝特布霍
1 比斯瓦鲁普·巴塔查里亚
1 波德斯,安托万
1 亚历克斯·博德斯基
1 莱昂·博图
1 巴维尔·B·布拉迪尔。
1 埃米利奥·卡里佐萨
1 安东尼奥·卡塔
1 陈晓军
1 科比·克拉默
1 拉梅斯瓦尔·德伯纳
1 Do,Thanh-Nghi先生
1 唐斯,汤姆
1 雅科夫·恩格尔
1 赛达·厄特金
1 冯婷婷
1 迈克尔·C·费里斯。
1 托马斯·芬利
1 凯文·盖茨(Kevin E.Gates)。
1 克里斯蒂安·盖尔
1 格内西、斯特凡尼亚
1 雅塞克·冈齐奥
1 文塞斯劳González-Manteiga
1 安德烈·格里博克。
1 卡洛斯·伊格莱西亚斯(Carlos A.Iglesias)。
1 侯赛因·因斯
1 约阿希姆·托尔斯滕
1 凯萨·乔基
1 纳普省卡米萨
1 Eric,King-wah Chu
1 斯特凡·克鲁格
1 彼得·库巴
1 Mineichi Kudo
1 帕维尔·拉斯科夫
1 弗朗索瓦·亨利·勒罗伊
1 梁、军
1 刘毅
1 Lu,Henry Hong-Shing先生
1 梅克尔、马尔科·米凯尔
1 谢·曼诺
1 大师,安妮特
1 杰拉德·G·梅迪奥尼。
1 罗恩·梅尔
1 菲利普·摩尔多海
1 穆勒,克劳斯·罗伯特
1 托德·蒙森(Todd S.Munson)。
1 Masakazu村松
1 宁、韩文
1 彭新军
1 尼南·萨吉斯·菲利普
1 弗朗索瓦·普莱特
1 萨利姆·雷兹瓦尼
1 多洛雷斯罗梅罗·莫拉莱斯
1 萨拉昌德兰,P。
1 劳拉·塞米尼
1 单松青
1 沈丁刚
1 史勇
1 歌手,约拉姆
1 亚历山大·斯坦尼科夫
1 加布里埃尔·斯特德尔
1 丹尼尔·施特劳斯。
1 高桥、春久
1 田天海
1 田英杰
1 卡里·托科拉
1 安东尼奥·瓦蒙德
1 王,G.加里
1 王希钊
1 乌多·韦尔泽尔
1 杰森,韦斯顿
1 克里斯蒂安·伍德森德
1 吴汉明
1 Yajima、Yasutoshi
1 我·亚努什凯维奇。
1 叶巧琳
1 Yu,Chun-Nam约翰
1 袁亚香
1 詹毅强
…还有3位作者

按年份列出的引文