Exakte Vereinfachung von Support-Vektor-Lösungen

Dieses Papier zeigt, dass Standardalgorithmen zum Trainieren von Support-Vektor-Maschinen im Allgemeinen Lösungen mit einer größeren Anzahl von Support-Vektoren erzeugen, als streng notwendig ist. Ein Algorithmus wird präsentiert, der es ermöglicht, unnötige Support-Vektoren zu erkennen und zu eliminieren, während die Lösung ansonsten unverändert bleibt. Der Algorithmus wird auf eine Vielzahl von Benchmark-Datensätzen (sowohl für Klassifikation als auch für Regression) angewendet, und in den meisten Fällen führt das Verfahren zu einer Reduktion der Anzahl der Support-Vektoren. In einigen Fällen ist die Reduktion erheblich.