超导焊枪

SVMTorch:支持向量机的大规模回归问题。通过求解二次优化问题的支持向量机(SVM),通过求解二次优化问题,需要以L2存储器和时间资源的顺序来求解,其中L是训练实例的数目。在本文中,我们提出了一种分解算法SvMARTH,它类似于T. Joachims提出的支持向量机([SK-O.SKO-LKOPF,C. Burges,A. Smola)(EDS)提出的SVM算法。伦敦:麻省理工学院出版社(1998;ZBL 935.68084)针对分类问题,但适用于回归问题。有了这个算法,现在可以有效地解决大规模回归问题(超过20000个例子)。与NoDeLB,另一个公开的SVM算法的大规模回归问题的G. Flake和S.劳伦斯[马赫]的比较。学习46, 271 - 290(2002;ZBL 998.68107)产生了显著的时间改善。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(Teal.ReP))。台湾大学(2000),我们证明了算法的收敛性。


ZBMaX中的参考文献(66篇)1标准条款

显示结果1至20的66。
按年份排序(引文
  1. 宁,Hanwen;张,嘉明;冯,婷婷;储,Eric King华;田,Tianhai:基于控制的高维在线学习算法(2020)
  2. Bagirov,阿迪尔;Taheri,Sona;Asadi,Soodabeh:分段线性回归凸优化算法的差异(2019)
  3. Bhattacharyya,Biswarup:不确定量化实验设计的批判性评价(2018)
  4. Bacciu,Davide;CARTA,安东尼奥;Gnesi,斯特凡尼亚;Simii,劳拉:在智能交通系统中使用机器学习进行短期预测的经验(2017)
  5. 轰埠,魏;布朗,Laura E.;王,Zhenlin:基于支持向量机和转移学习的虚拟机选择性切换机制(2015)伊波尔特
  6. BeTebgor,迪米特里;勒鲁瓦,弗兰South-HoiRi:用于特征值函数的谱精确逼近的重叠径向基函数插值及其在复合材料板屈曲中的应用(2014)
  7. 陈,小波;杨,Jian;陈,龙:一种改进的鲁棒稀疏双支持向量回归线性规划(2014)
  8. 德米尔,Bug Um;BruZnOne,洛伦佐:支持向量回归的多准则主动学习方法(2014)伊波尔特
  9. Dong,元;高,山;陶,Kun;刘,冀庆;王,Haila:通用语义索引的早期和晚期融合方法的性能评价(2014)伊波尔特
  10. 伊格莱希亚斯,C.M.I. J. M.,塔沃阿达,J.A.J.Jo,M.:基于支持向量机二进制分类器的DAGSVM多分类算法解决石板瓦分类问题(2014)
  11. Carrizosa,埃米利奥;Romero Morales,多洛雷斯:监督分类与数学优化(2013)
  12. Chau,Abdul-Ball Pez;李,Xiaoou;余,文:基于凸凹壳和支持向量机的大数据集分类(2013)伊波尔特
  13. Siravasava,Ashok N.:具有虚拟传感器的绿色航空:一个案例研究(2012)伊波尔特
  14. Vuppala,Anil Kumar;Rao,K. Sreenivasa;Chakrabarti,SASWAT:利用元音起始点的精确检测连续语音识别和识别辅音元音单元(2012)伊波尔特
  15. 陈,小波;杨,Jian;叶,桥林;Liang,Jun:基于类内方差最小化的递推投影孪生支持向量机(2011)
  16. Lughofer,埃德温;TrWi滑雪,波格丹;TrWi滑雪,克日什托夫;KEMPA,Olgierd;LasoTa,Tadeusz:用模糊建模算法评估住宅场所(2011)伊波尔特
  17. 牛岭灵:多类近端支持向量机训练的并行算法(2011)
  18. 牛,Lingfeng;元,亚翔:一种训练多核核函数的并行分解算法(2011)
  19. Woodsend,克里斯蒂安;GangdZio,亚采克:利用大规模线性支持向量机训练中的可分性(2011)
  20. 郭,高;张,江;张,盖颖:一种稀疏化支持向量回归机解的方法(2010)伊波尔特