Ivor W.曾。；詹姆斯·T·郭。；张伯明 核心向量机：在超大数据集上进行快速SVM训练。 （英语） Zbl 1222.68320号 J.马赫。学习。物件。 6, 363-392 (2005). 总结：标准SVM训练具有（O（m^{3}）时间和（O（m ^{2}）空间复杂性，其中，（m）是训练集大小。因此，在计算上，它在非常大的数据集上是不可行的。通过观察到实际的SVM实现仅通过迭代策略逼近最优解，我们利用这种“近似性”来放大核方法。我们首先证明，在计算几何中，许多核方法都可以等价地表示为最小包围球（MEB）问题。然后，通过采用一种有效的近似MEB算法，我们利用核集的思想获得了可证明的近似最优解。我们提出的核心向量机（CVM）算法可以用于非线性核，具有线性的时间复杂度和独立于（m）的空间复杂度。在大型玩具和真实世界数据集上的实验表明，CVM与现有的SVM实现一样准确，但比现有的放大方法更快，可以处理更大的数据集。例如，在3.2GHz Pentium-4 PC上，使用高斯核的CVM在KDDCUP-99入侵检测数据上只需1.4秒，就可以产生卓越的结果，该数据具有大约500万种训练模式。 引用于1审查引用于59文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 68单位05 计算机图形；计算几何（数字和算法方面） 68周25 近似算法 关键词：内核方法；近似算法；最小包围球；堆芯组件；可扩展性 PDF格式BibTeX公司 XML格式引用 \textit{I.W.Tsang}等人，J.Mach。学习。第6363-392号决议（2005年；Zbl 1222.68320） 全文： 链接