A simple and reliable instance selection for fast training support vector machine: Valid Border Recognition

Long Tang

doi:10.1016/j.neunet.2023.07.018

A simple and reliable instance selection for fast training support vector machine: Valid Border Recognition

2023-09-01

4

PRE

AI

DOI：10.1016/j.neunet.2023.07.018

原文链接

原文求助

摘要

En 中文

支持向量机 (svm) 是强大的统计学习工具，但将其应用于大型数据集可能会导致耗时的训练复杂性。为了解决这个问题，已经提出了各种实例选择 (IS) 方法，这些方法选择一小部分关键实例并在训练之前筛选出其他实例。然而，现有的方法还不能很好地平衡精度和效率。一些方法会错过关键实例，而另一些方法则使用复杂的选择方案，这些方案比使用所有原始实例进行训练需要更多的执行时间，从而违反了IS的最初意图。在这项工作中，我们提出了一种新开发的IS方法，称为有效边界识别 (VBR)。VBR选择最接近的异构邻居作为有效边界实例，并将此过程合并到创建简化的高斯内核矩阵中，从而最大程度地减少了执行时间。为了提高可靠性，我们提出了一种加强版的VBR (SVBR)。基于VBR，SVBR逐渐添加更远的异构邻居作为补充，直到已经选择的实例的拉格朗日乘数变得稳定。在数值实验中，我们提出的方法的有效性在基准和合成数据集的准确性，执行时间和推理时间方面进行了验证。

Keyword:

Instance selection

Support vector machine

Neighborhood approach

Distance-based approach

Valid border instance

A simple and reliable instance selection for fast training support vector machine: Valid Border Recognition

摘要

期刊

机构