计算机科学
計算機科學
계산궤과학
Computer Science
2015年
9期
195-198
,共4页
大规模支持向量机%子采样%随机傅里叶特征%并行线性支持向量机
大規模支持嚮量機%子採樣%隨機傅裏葉特徵%併行線性支持嚮量機
대규모지지향량궤%자채양%수궤부리협특정%병행선성지지향량궤
Large-scale support vector machine%Subsampling%Random Fourier features%Parallelized linear SVM
现有大规模支持向量机求解算法需要大量的内存资源和训练时间,通常在大集群并行环境下才能实现.提出了一种大规模支持向量机(SVM)的高效求解算法,以在个人PC机求解大规模SVM.它包括3个步骤:首先对大规模样本进行子采样来降低数据规模;然后应用随机傅里叶映射显式地构造随机特征空间,使得可在该随机特征空间中应用线性SVM来一致逼近高斯核SVM;最后给出线性SVM在多核环境下的并行实现方法以进一步提高求解效率.标准数据集的对比实验验证了该求解算法的可行性与高效性.
現有大規模支持嚮量機求解算法需要大量的內存資源和訓練時間,通常在大集群併行環境下纔能實現.提齣瞭一種大規模支持嚮量機(SVM)的高效求解算法,以在箇人PC機求解大規模SVM.它包括3箇步驟:首先對大規模樣本進行子採樣來降低數據規模;然後應用隨機傅裏葉映射顯式地構造隨機特徵空間,使得可在該隨機特徵空間中應用線性SVM來一緻逼近高斯覈SVM;最後給齣線性SVM在多覈環境下的併行實現方法以進一步提高求解效率.標準數據集的對比實驗驗證瞭該求解算法的可行性與高效性.
현유대규모지지향량궤구해산법수요대량적내존자원화훈련시간,통상재대집군병행배경하재능실현.제출료일충대규모지지향량궤(SVM)적고효구해산법,이재개인PC궤구해대규모SVM.타포괄3개보취:수선대대규모양본진행자채양래강저수거규모;연후응용수궤부리협영사현식지구조수궤특정공간,사득가재해수궤특정공간중응용선성SVM래일치핍근고사핵SVM;최후급출선성SVM재다핵배경하적병행실현방법이진일보제고구해효솔.표준수거집적대비실험험증료해구해산법적가행성여고효성.
