nach oben

Neural Computing and Applications

Erschienen in:

01.06.2013 | ICONIP 2011

The coordinate descent method with stochastic optimization for linear support vector machines

verfasst von: Tianyou Zheng, Xun Liang, Run Cao

Erschienen in: Neural Computing and Applications | Ausgabe 7-8/2013

Einloggen

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

search-config

KI-gestützte Suche

Aus

Abstract

Optimizing the training speed of support vector machines (SVMs) is one of the most important topics in the SVM research. In this paper, we propose an algorithm in which the size of working set is reduced to one in order to obtain a faster training speed. Instead of the complex heuristic criteria, the random order for selecting the elements into the working set is adopted. The proposed algorithm shows a better performance in linear SVM training, especially in the large-scale scenario.

Vorheriger Artikel Editorial for special issue on ICONIP2011 “Advances in Learning Algorithms”

Nächster Artikel Shape space estimation by higher-rank of SOM

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

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

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+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

Cortes C, Vapnik V (1995) Support vector networks. Mach Learn 20:273–297MATH

Fan R-E, Chang K-W, Hsieh C-J, Wang X-R, Lin C-J (2008) LIBLINEAR: a library for large linear classification. J Mach Learn Res 9:1871–1874MATH

Osuna E, Freund R, Girosi F (1997) Training support vector machines: an application to face detection. In: Proceedings of computer vision and pattern recognition, 1063–6919:130–136

Platt JC (1998) Fast training of support vector machines using sequential minimal optimization. In: Schölkopf B, Burges C, Smola A (eds) Advances in kernel methods—support vector learning. MIT Press, Cambridge, pp 185–208

JoachimsT (2006) Training linear SVMs in linear time. ACM KDD

Smola AJ, Vishwanathan SVN, Le Q (2008) Bundle methods for machine learning. NIPS

Lin C-J, Weng RC, Keerthi SS (2008) Trust region Newton method for large-scale logistic regression. JML R9:627–650MathSciNet

Shai S-S, Singer Y, Srebro N, Pegasos (2007) Primal estimated sub-gradient solver for SVM. In: Proceedings of the 24th international conference on machine learning, ACM, New York

Bottou L (2007) Stochastic gradient descent examples. http://leon.bottou.org/projects/sgd

10.

Zhang T (2004) Solving large scale linear prediction problems using stochastic gradient descent algorithms. ICML

11.

Chang K-W, Hsie C-J, Lin C-J, Sathiya KS, Sundararajan S (2008) A dual coordinate descent method for large-scale linear SVM. In: Proceedings of the 25th international conference on machine learning, ACM, New York

12.

Chang K-W, Hsie C-J, Lin C-J (2008) Coordinate descent method for large-scale L2-loss linear SVM. J Mach Learn Res 9:1369–1398MathSciNetMATH

13.

Luo Z-Q, Tseng P (1992) On the convergence of coordinate descent method for convex differentiable minimization. J Optim Theory Appl 72:7–35MathSciNetMATHCrossRef

14.

Chang C-C, Lin C-J (2001) LIBSVM: a library for support vector machines. Software available at http://www.csie.ntu.edu.tw/~cjlin/libsvm

Titel: The coordinate descent method with stochastic optimization for linear support vector machines
verfasst von: Tianyou Zheng
Xun Liang
Run Cao
Publikationsdatum: 01.06.2013
Verlag: Springer-Verlag
Erschienen in: Neural Computing and Applications / Ausgabe 7-8/2013
Print ISSN: 0941-0643
Elektronische ISSN: 1433-3058
DOI: https://doi.org/10.1007/s00521-012-1139-3

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

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

Springer Professional "Wirtschaft"

Springer Professional "Technik"

Springer Professional "Wirtschaft+Technik"

Weitere Artikel der Ausgabe 7-8/2013

A novel margin-based twin support vector machine with unity norm hyperplanes

Training of an artificial neural network in the diagnostic system of a technical object

Performance comparison of neural architectures for on-line flux estimation in sensor-less vector-controlled IM drives

Stability analysis of robust adaptive hybrid position/force controller for robot manipulators using neural network with uncertainties

Efficient nonlinear classification via low-rank regularised least squares

A multi-task framework for metric learning with common subspace