很好，Shai;卡蒂亚·申伯格 使用低阶核表示的高效SVM训练。 （英语） Zbl 1037.68112号 J.马赫。学习。物件。 2，第2期，243-264（2002）. 摘要：SVM训练是一个凸优化问题，它的尺度是训练集的大小，而不是特征空间的维数。虽然这通常被认为是一种理想的质量，但在大规模问题中，它可能会导致培训不切实际。处理这一困难的常用技术基本上是通过解决一系列小规模子问题来构建解决方案。我们目前的工作集中在核矩阵的秩上，作为进一步增强训练过程的来源。我们首先表明，对于低秩核矩阵，可以根据存储需求和计算复杂性设计更好的内点方法（IPM）。然后，我们建议有效地使用已知的因子分解技术，通过低秩矩阵来近似给定的内核矩阵，而低秩的矩阵又将用于向优化器提供数据。最后，我们基于近似误差和主动约束（支持向量）的数量推导出目标函数值变化的上限。这个界限是一般意义上的，即不考虑近似方法。 引用于1审查引用于65文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 关键词：凸优化问题 软件：SVM灯 PDF格式BibTeX公司 XML格式引用 \textit{S.Fine}和\textit{K.Scheinberg}，J.Mach。学习。决议2，第2号，243--264（2002；Zbl 1037.68112） 全文： 内政部