非均衡加权随机梯度下降SVM在线算法

• 作者: 周谧 金钊 鲁淑霞
• 来源期刊: 计算机科学与探索
• 学科: 工学
• 关键词: 随机梯度下降(SGD) 权 非均衡数据 大规模学习 支持向量机(SVM)
• 年，卷（期）: 2017,（10）
• 所属期刊栏目: 人工智能与模式识别
• 页码范围: 1662-1671
• 页数: 10页
• 分类号: TP181
• 字数: 5959字
• 语种: 中文
• DOI: 10.3778/j.issn.1673-9418.1609009

摘要

随机梯度下降(stochastic gradient descent,SGD)方法已被应用于大规模支持向量机(support vector machine,SVM)训练,其在训练时采取随机选点的方式,对于非均衡分类问题,导致多数类点被抽取到的概率要远远大于少数类点,造成了计算上的不平衡.为了处理大规模非均衡数据分类问题,提出了加权随机梯度下降的SVM在线算法,对于多数类中的样例被赋予较小的权值,而少数类中的样例被赋予较大的权值,然后利用加权随机梯度下降算法对SVM原问题进行求解,减少了超平面向少数类的偏移,较好地解决了大规模学习中非均衡数据的分类问题.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	鲁淑霞	河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室	20	52	4.0	6.0
2	金钊	河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室	3	7	2.0	2.0
3	周谧	河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室	1	5	1.0	1.0