文献

J-GLOBAL ID：201702277935342682   整理番号：17A0238832

多重サブモデルは火花に対するサポートベクトルマシン並列【Powered by NICT】

Multiple submodels parallel support vector machine on spark

著者 (4件)： Liu Chang (Beijing Key Lab of Intelligent Telecommunication Software and Multimedia, Beijing, China) ,  Wu Bin (Beijing Key Lab of Intelligent Telecommunication Software and Multimedia, Beijing, China) ,  Yang Yi (State Grid Shandong Electric Power Research Institute, Jinan, China) ,  Guo Zhihong (State Grid Shandong Electric Power Research Institute, Jinan, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： Big Data  ページ： 945-950  発行年： 2016年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： サポートベクトルマシン(SVM)は,広い応用範囲を持つことを古典的な分類アルゴリズムである。カーネル関数は,SVMは,それらの元の特徴空間において線形分離可能ではないことをデータセットを処理する,線形モデルと比較して実用上の,ネットワークをよりフレキシブルにする。しかし,訓練におけるその複雑性は大規模データセット処理に障害となっている。本論文では,計算機クラスタを用いた非線形SVMの訓練を促進する火花に及ぼす多重サブモデル並列SVM(MSM SvM)を提案した。SVMのモデル理論を利用して,著者らは,多くの地域的サブモデルの並列訓練プロセスと近似大域解を可能にするクラスタリングに基づくデータ分割法を導入した。も「one-against-one」戦略を用いた多重分類をカバーしている。実験は,MSM SVMは二値分類,多クラス1で良くすることを示した。がバイナリ・ケースの精度を予測する火花MLlibにおけるサポートベクトルマシンを用いたMiniBatch SGDツールよりも性能的に優れ,ほとんどすべての実験データセットに対して,MSM SVMはLIBSVMと同様の予測性能を与える非常に少ない時間を要する。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *サポートベクトルマシン ,  近似法 ,  線形性 ,  分割法 ,  *多重化 ,  モデル理論
準シソーラス用語： 予測性能 ,  バイナリー ,  二値分類 ,  大規模データセット ,  複雑性 ,  線形モデル ,  特徴空間 ,  Kernel関数 ,  分類アルゴリズム , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 多重 ,  サブ ,  モデル ,  火花 ,  サポートベクトルマシン