Key points are not available for this paper at this time.
Für großangelegte Klassifikationsaufgaben, insbesondere bei der Klassifikation von Bildern, haben additive Kerne eine state-of-the-art Genauigkeit gezeigt. Dennoch sind die Lerngeschwindigkeit und die Fähigkeit zur Handhabung großangelegter Aufgaben, selbst bei der jüngsten Entwicklung schneller Algorithmen, nach wie vor offene Probleme. Dieses Papier schlägt Algorithmen für die großangelegte Klassifizierung mit Support Vector Machines (SVM) und anderen Aufgaben unter Verwendung von additiven Kernen vor. Zunächst wird ein SVM-Rahmenwerk für allgemeine nichtlineare Kerne vorgeschlagen, das lineare Regression nutzt, um Gradientenauswertungen im Lernprozess zu approximieren. Zweitens wird ein Power Mean SVM (PmSVM) Algorithmus für alle additiven Kerne unter Verwendung nichtsymmetrischer erklärender Variablenfunktionen vorgeschlagen. Diese nichtsymmetrische Kernapproximation hat Vorteile gegenüber bestehenden Methoden: 1) Sie erfordert keine geschlossenen Fourier-Transformationen und 2) sie erfordert auch keine zusätzliche Ausbildung für die Approximation. Verglichen mit Benchmark-Datenmengen für großangelegte Klassifikation mit Millionen von Beispielen oder Millionen von dichten Merkmalsdimensionen hat PmSVM in den meisten Fällen die höchste Lerngeschwindigkeit und höchste Genauigkeit unter aktuellen Algorithmen erreicht.
Wu et al. (Tue,) haben diese Frage untersucht.