×
牛、凌峰；周瑞芝；赵熙；石勇

用于训练有界约束支持向量机的两种新的分解算法。 （英语） Zbl 1335.62105号

已找到。计算。Decis公司。科学。 40，编号1，67-86（2015）.
摘要：边界约束支持向量机（SVM）是一种先进的二进制分类模型。分解方法是目前训练支持向量机的主要方法之一，特别是当使用非线性核时。本文提出了两种新的有界约束SVM分解算法。将投影梯度算法和内点法相结合，有效地求解了二次型子问题。这两种算法的主要区别在于工作集的选择方式。第一种方法仅使用模型的一阶导数信息，以便简化。第二种方法除了梯度外，还将部分二阶信息融入到工作集选择过程中。两种算法在理论上都被证明是全局收敛的。将新算法与著名的包BSVM进行了比较。在多个公共数据集上的数值实验验证了所提方法的有效性。

MSC公司：

62H30型 分类和区分；聚类分析（统计方面）
68T05型 人工智能中的学习和自适应系统
68宽10 计算机科学中的并行算法
90立方厘米20 二次规划

关键词：

分解算法；支持向量机；二次规划；全球收敛

软件：

OOQP（OOQP）；SVM灯；UCI-毫升；GPDT公司
PDF格式BibTeX公司 XML格式引用
\textit{L.Niu}等人，发现。计算。Decis公司。科学。40，第1号，67--86（2015；Zbl 1335.62105）
全文： 内政部

参考文献：

[1] 亚松森A.、纽曼D.，加州大学欧文分校信息与计算机科学学院UCI机器学习知识库（2007年）网址：//www。ics.uci.edu/mlearn/MLRepository.html。；
[2] Boser B.、Guyon I.、Vapnik V.A.，最佳边缘分类器的训练算法，第五届ACM计算学习理论研讨会论文集，ACM出版社，1992年，144-152。；
[3] Bottou L.，随机梯度下降示例，2007年，http://leon.bottou。org/projects/sgd。；
[4] Cortes C.，Vapnik V.，支持向量网络，机器学习，20，3，1995，273-297·Zbl 0831.68098号
[5] Franc V.，Sonnenburg S.，支持向量机的优化切割平面算法，ICML 08:第25届机器学习国际会议论文集，ACM出版社2008，320-327。；
[6] Gertz E.，Wright S.，面向对象的二次规划软件，ACM数学软件交易，29，2001，58-81·兹比尔1068.90586
[7] 谢聪，张凯，李春杰，多类支持向量机方法的比较，IEEE神经网络汇刊，2002年第13期，第415-425页。；
[8] 谢C.，Chang K.，Lin C.J.，Keerthi S.，Sundararajan S.，大规模线性SVM的双坐标下降方法，第25届机器学习国际会议论文集，ACM，2008，408-415。；
[9] 徐春伟，林春杰，支持向量机的一种简单分解方法，机器学习，46，1-3，2002，291{314.；}·Zbl 0998.68108号
[10] Joachims T.、SVMlight、，http://svmlight.joachims.org/。；
[11] Joachims T.，在线性时间内训练线性SVM，ACM SIGKDD知识发现和数据挖掘国际会议，2006年，217-226。；
[12] Joachims T.、Finley T.、Yu C.N.，《结构化支持向量机的割平面训练》，机器学习，第77、1、2009、27-59页·Zbl 1235.68161号
[13] Joachims T.，Yu C.N.，通过切平面训练实现稀疏内核支持向量机，机器学习，欧洲机器学习会议专刊，76，2-3，2009，179-193·Zbl 1470.68123号
[14] Mangasarian O.，Musicant D.，支持向量机的连续超松弛，IEEE神经网络汇刊，10，5，1999，1032-1037。；
[15] Mangasarian O.，Musicant D.，拉格朗日支持向量机，机器学习研究杂志，1200161-177·Zbl 0997.68108号
[16] Mercer J.，正负型函数及其与积分方程理论的联系，伦敦皇家学会哲学学报，1909年·JFM 40.0408.02号文件
[17] Shalev-Shwartz S.，Singer Y.，Srebro N.，Cotter A.，Pegasos:SVM的原始估计次梯度解算器，数学规划，127，1，2011，3-30·Zbl 1211.90239号
[18] 孙伟业，袁玉霞，优化理论与方法：非线性规划，施普林格，纽约，美国，2006·邮编1129.90002
[19] Frieb T.，Cristianini N.，Campbell C.，《核-数据子算法：支持向量机的快速简单学习过程》，《第十五届机器学习国际会议论文集》，摩根·考夫曼出版社，1998年。；
[20] Vapnik V.，《统计学习理论的本质》，Springer-Verlag纽约公司，纽约州纽约市，美国1995年·Zbl 0833.62008号
[21] Vapnik V.，统计学习理论统计学习理论，威利-跨科学，1998年9月·Zbl 0935.62007号
[22] 袁国喜，何春华，林春杰，大尺度线性分类的最新进展，IEEE学报，1002012，2584-2603。；
[23] Zanni L.，Serafini T.，Zanghirati G.，在多处理器系统上训练大规模支持向量机的并行软件，《机械学习研究杂志》，720061467-1492·Zbl 1222.68341号
[24] Osuna E.、Freund R.、Girosi F.，《训练支持向量机：人脸检测的应用》，IEEE计算机学会计算机视觉和模式识别会议论文集，1997年，276-285。；
[25] Arnosti N.A.，Kalita J.K.，线性支持向量机的割平面训练，IEEE知识与数据工程汇刊，252013，1186-1190。；
[26] Platt J.-C.，使用序列最小优化快速训练支持向量机，收录于：B.Scholkopf，C.J.C.Burges，A.J.Smola（编辑），《核方法的进展——支持向量学习》，麻省理工出版社，1999年，185-208年。；
[27] Joachims T.，《使大规模SVM学习实用化》，收录于：B.Scholkopf，C.J.C.Burges，A.J.Smola（编辑），《核方法的进展——支持向量学习》，马萨诸塞州剑桥，麻省理工学院出版社，1998年。；
[28] Saunders C.、Stitson M.O.、Weston J.、Bottou L.、Scholkopf B.、Smola A.，支持向量机参考手册，英国埃格姆，伦敦大学皇家霍洛韦，技术报告，编号CSD-TR-98-03，1998年。；
[29] 田义杰，齐智强，朱晓川，石毅，刘晓华，用于模式分类的非并行支持向量机，IEEE Trans。控制论，44，7，2013，1067-1079。；
[30] 齐忠，田毅，石毅，拉皮亚克支持向量机的连续超松弛，IEEE神经网络与学习系统事务，DOI:10.1109/TNNLS.2014.2320738，2014。；
[31] 齐忠，田毅，石毅，用于分类的结构双支持向量机，基于知识的系统，43，2013，74-81。；
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。