Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
On Quasi-Energy-Spectra, Pair Correlations of Sequences and Additive Combinatorics Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Sparse Support Vector Machines in Reproducing Kernel Banach Spaces

verfasst von : Zheng Li, Yuesheng Xu, Qi Ye

Erschienen in: Contemporary Computational Mathematics - A Celebration of the 80th Birthday of Ian Sloan

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

We present a novel approach for support vector machines in reproducing kernel Banach spaces induced by a finite basis. In particular, we show that the support vector classification in the 1-norm reproducing kernel Banach space is mathematically equivalent to the sparse support vector machine. Finally, we develop fixed-point proximity algorithms for finding the solution of the non-smooth minimization problem that describes the sparse support vector machine. Numerical results are presented to demonstrate that the sparse support vector machine outperforms the classical support vector machine for the binary classification of simulation data.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Approximate Boundary Null Controllability and Approximate Boundary Synchronization for a Coupled System of Wave Equations with Neumann Boundary Controls
Nächstes Kapitel Mean Convergence of Interpolation at Zeros of Airy Functions
Literatur
1.
Alpaydin, E.: Introduction to Machine Learning. MIT, Cambridge, MA (2010)MATH
2.
3.
Bruckstein, A., Donoho, D., Elad, M.: From sparse solutions of systems of equations to sparse modeling of signals and images. SIAM Rev. 51(1), 34–81 (2009)MathSciNetCrossRef
4.
Chen, S.S., Donoho, D.L., Saunders, M.A.: Atomic decomposition by basis pursuit. SIAM Rev. 43(1), 129–159 (2001)MathSciNetCrossRef
5.
Cucker, F., Smale, S.: On the mathematical foundations of learning. Bull. Am. Math. Soc. (N.S.) 39(1), 1–49 (2002) (electronic)MathSciNetCrossRef
6.
Fasshauer, G., Hickernell, F., Ye, Q.: Solving support vector machines in reproducing kernel Banach spaces with positive definite functions. Appl. Comput. Harmon. Anal. 38, 115–139 (2015)MathSciNetCrossRef
7.
García, A., Portal, A.: Sampling in reproducing kernel Banach spaces. Mediterr. J. Math. 10, 1401–1417 (2013)MathSciNetCrossRef
8.
Li, Q., Micchelli, C.A., Shen, L., Xu, Y.: A proximity algorithm accelerated by Gauss-Seidel iterations for L1/TV denoising models. Inverse Prob. 28(9), 095003 (2012)MathSciNetCrossRef
9.
Li, Q., Shen, L., Xu, Y., Zhang, N.: Multi-step proximity algorithms for solving a class of convex optimization problems. Adv. Comput. Math. 41(2), 387–422 (2014)CrossRef
10.
Li, Z., Song, G., Xu, Y.: Fixed-point proximity algorithms for solving sparse machine learning models. Int. J. Numer. Anal. Model. 15(1–2), 154–169 (2018)MathSciNet
11.
Li, Q., Xu, Y., Zhang, N.: Two-step fixed-point proximity algorithms for multi-block separable convex problems. J. Sci. Comput. 70, 1204–1228 (2017)MathSciNetCrossRef
12.
Micchelli, C.A., Shen, L., Xu, Y.: Proximity algorithms for image models: denoising. Inverse Prob. 27(4), 045009, 30 (2011)MathSciNetCrossRef
13.
Micchelli, C.A., Shen, L., Xu, Y., Zeng, X.: Proximity algorithms for the L1/TV image denoising model. Adv. Comput. Math. 38(2), 401–426 (2013)MathSciNetCrossRef
14.
Schaback, R., Wendland, H.: Kernel techniques: from machine learning to meshless methods. Acta Numer. 15, 543–639 (2006)MathSciNetCrossRef
15.
Sriperumbudur, B., Fukumizu, K., Lanckriet, G.: Learning in Hilbert vs.Banach spaces: a measure embedding viewpoint. In: Advances in Neural Information Processing Systems, pp. 1773–1781. MIT, Cambridge (2011)
16.
Steinwart, I.: Sparseness of support vector machines. J. Mach. Learn. Res. 4, 1071–1105 (2003)MathSciNetMATH
17.
Steinwart, I., Christmann, A.: Support Vector Machines. Springer, New York (2008)MATH
18.
Villmann, T., Haase, S., Kästner, M.: Gradient based learning in vector quantization using differentiable kernels. In: Advances in Self-Organizing Maps, pp. 193–204. Springer, Santiago (2013)
19.
Xu, Y., Ye, Q.: Generalized Mercer kernels and reproducing kernel Banach spaces. Mem. AMS (accepted). arXiv:1412.8663
20.
Zhang, H., Xu, Y., Zhang, J.: Reproducing kernel Banach spaces for machine learning. J. Mach. Learn. Res. 10, 2741–2775 (2009)MathSciNetMATH
21.
Zhu, J., Rosset, S., Hastie, T., Tibshirani, R.: 1-norm support vector machines. In: Thrun, S., Saul, L., Schölkopf, B. (eds.) The Annual Conference on Neural Information Processing Systems 16, pp. 1–8 (2004)
Metadaten
Titel
Sparse Support Vector Machines in Reproducing Kernel Banach Spaces
verfasst von
Zheng Li
Yuesheng Xu
Qi Ye
Copyright-Jahr
2018
Buch
Contemporary Computational Mathematics - A Celebration of the 80th Birthday of Ian Sloan

Print ISBN: 978-3-319-72455-3

Electronic ISBN: 978-3-319-72456-0

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-72456-0_38

Premium Partner

    Bildnachweise