刘，大连;李德伟;史勇;田英杰 大规模线性非并行SVM。 （英语） Zbl 1398.68447号 软计算。 1945-1957年第6期22号（2018）. 摘要：大规模问题一直是机器学习领域的一个非常活跃的话题。在大数据时代，解决这些问题是一项具有挑战性和意义的工作。标准支持向量机能够有效地对大规模问题进行线性分类，训练时间可接受，预测精度高。然而，在基准数据集上，非并行SVM（NPSVM）和斜坡损失非并行SVV（RNPSVM）的性能优于SVM。它有动机将NPSVM引入大规模问题领域。本文提出用交替方向乘数法（ADMM）求解大规模线性NPSVM来处理大规模分类问题。ADMM将大问题分解为小问题，避免解决棘手问题，提高训练速度。NPSVM的原问题是凸的、可微的，可以直接由ADMM来处理。但RNPSVM的目标函数由凸函数和凹函数组成，应首先用CCCP算法进行处理，并转换为一系列凸程序。然后，我们在每次迭代中应用ADMM来求解这些程序。大规模问题的NPSVM实验证明，该算法能够有效地对大规模任务进行分类。 引用于1文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 关键词：大规模支持向量机;非并行SVM;斜坡损失函数;ADMM公司 软件：国际货币数据库;LIBLINEAR银行 PDF格式BibTeX公司 XML格式引用 \textit｛D.Liu｝等人，软计算。1945年--1957年第6期22号（2018年；Zbl 1398.68447） 全文： 内政部 参考文献： [1] Akbani R，Kwek S，Japkowicz N（2004）将支持向量机应用于不平衡数据集。收录：机器学习：ECML 2004，柏林斯普林格，第39-50页·兹比尔1132.68523 [2] 阿伦·库马尔（Arun Kumar），M；Gopal，M，用于模式分类的最小二乘双支持向量机，专家系统应用，367535-7543，（2009）·doi:10.1016/j.eswa.2008.09.066 [3] 巴斯卡，BN；唐，G；Recht，B，原子范数去噪及其在线谱估计中的应用，IEEE Trans-Signal Process，615987-5999，（2013）·Zbl 1394.94079号 ·doi:10.1109/TSP.2013.2273443 [4] 博伊德，S；帕里赫，N；楚，E；佩莱托，B；Eckstein，J，《通过交替方向乘数法进行分布式优化和统计学习》。《马赫学习》（Mach Learn）第3期第1-122页（2011年）中的基金会和趋势·Zbl 1229.90122号 [5] 布莱德利，PS；Mangasarian，OL，通过凹最小化和支持向量机进行特征选择，ICML，98，82-90，（1998） [6] 科尔特斯，C；Vapnik，V，支持向量网络，马赫学习，20273-297，（1995）·Zbl 0831.68098号 [7] Deng J，Berg AC，Li K，Fei-Fei L（2010）对10000多个图像类别进行分类告诉了我们什么？In:Computer vision-ECCV 2010，柏林施普林格，第71-84页 [8] Deng N，Tian Y（2004）数据挖掘的新方法：支持向量机。北京科学出版社 [9] Deng N，Tian Y，Zhang C（2012）支持向量机：基于优化的理论、算法和扩展。博卡拉顿CRC出版社·Zbl 1278.68011号 [10] 风机，RE；Chang，千瓦；谢长廷；王，XR；Lin，CJ，Liblinear:大型线性分类库，J Mach Learn Res，91871-1874，（2008）·Zbl 1225.68175号 [11] Guyon，我；韦斯顿，J；巴恩希尔，S；Vapnik，V，使用支持向量机进行癌症分类的基因选择，Mach-learn，46389-422，（2002）·Zbl 0998.68111号 ·doi:10.1023/A:1012487302797 [12] 贾亚德瓦（Jayadeva），RK；C、 S，用于模式分类的双支持向量机，IEEE Trans-pattern Ana Mach Intell，29905-910，（2007）·doi:10.1109/TPAMI.2007.1068 [13] Kasiviswanathan SP、Melville P、Banerjee A、Sindhwani V（2011）《使用字典学习的新兴主题检测》。摘自：第20届ACM信息和知识管理国际会议记录，ACM，第745-754页 [14] 马萨诸塞州库马尔；Gopal，M，平滑技术在双支持向量机上的应用，模式识别快报，291842-1848，（2008）·doi:10.1016/j.patrec.2008.05.016 [15] Li W，Zhao R，Wang X（2012）《迁移度量学习的人类再鉴定》。In:ACCV（1），第31-44页 [16] 刘，D；Shi，Y；田，Y，用于模式分类的斜坡损失非平行支持向量机，基于知识的系统，85，224-233，（2015）·doi:10.1016/j.knosys.2015.05.008 [17] Ma J，Saul LK，Savage S，Voelker GM（2009）《识别可疑URL：大规模在线学习的应用》。在：第26届机器学习国际年会论文集，ACM，第681-688页 [18] Maas AL、Daly RE、Pham PT、Huang D、Ng AY、Potts C（2011）《情感分析的学习词向量》。摘自：计算语言学协会第49届年会论文集：人类语言技术——第1卷，计算语言学协会，第142-150页 [19] 希腊奈克；丹麦库马尔；等。，使用表面肌电图进行手势分类的双SVM，IEEE Trans-Inf Technol Biomed，14301-308，（2010）·doi:10.1109/TITB.2009.2037752 [20] 齐，Z；田，Y；Shi，Y，具有通用数据的双支持向量机，神经网络，36，112-119，（2012）·Zbl 1258.68122号 ·doi:10.1016/j.neunet.2012.09.004 [21] 齐，Z；田，Y；Shi，Y，用于模式分类的稳健双支持向量机，模式识别，46，305-316，（2013）·兹比尔1248.68441 ·doi:10.1016/j.patcog.2012.06.019 [22] 齐，Z；田，Y；Shi，Y，用于通用学习分类问题的非并行支持向量机，计算应用数学杂志，263288-298，（2014）·Zbl 1373.68332号 ·doi:10.1016/j.cam.2013.11.003 [23] 邵，Y；张，C；王，X；邓，N，双支持向量机的改进，IEEE Trans Neural Netw，22962-968，（2011）·doi:10.1109/TNN.2011.2130540 [24] Tan J，Zhang C，Deng N（2010）基于p-范数支持向量机的癌症相关基因识别。摘自：第四届计算系统生物学国际会议，第1卷，第101-108页 [25] 田，Y；Ping，Y，大型线性非并行支持向量机求解器，神经网络，50166-174，（2014）·Zbl 1298.68231号 ·doi:10.1016/j.neunet.2013.11.014 [26] 田，Y；Ju、X；齐，Z；Shi，Y，改进的双支持向量机，科学中国数学，57，417-432，（2014）·Zbl 1290.90059号 ·doi:10.1007/s11425-013-4718-6 [27] 田，Y；齐，Z；Ju、X；史，Y；Liu，X，用于模式分类的非并行支持向量机，IEEE Trans-Cybern，44，1067-1079，（2014）·doi:10.1109/TCYB.2013.279167 [28] 田，Y；张，Q；Liu，D，\（ν\）-用于模式分类的非并行支持向量机，神经计算应用，251007-1020，（2014）·doi:10.1007/s00521-014-1575-3 [29] 田，Y；Ju、X；Shi，Y，大型非并行支持向量机的一种分合方法，神经网络，75，12-21，（2016）·Zbl 1414.68080号 ·doi:10.1016/j.neunet.2015.11.008 [30] Vapnik V（1998）统计学习理论。纽约威利·Zbl 0935.62007号 [31] Vapnik V（2000）统计学习理论的本质。柏林施普林格·Zbl 0934.62009号 ·doi:10.1007/978-1-4757-3264-1 [32] 韦斯顿，J；沃特金斯，C；等。，用于多类模式识别的支持向量机，ESANN，99，219-224，（1999） [33] 张，HH；安，J；林，X；Park，C，使用非凸惩罚的支持向量机进行基因选择，生物信息学，22，88-95，（2006）·doi:10.1093/bioinformatics/bti736 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。