并行效率敏感的大规模SVM数据分块数选择

• 作者: 廖士中 张闯
• 来源期刊: 数据采集与处理
• 学科: 工学
• 关键词: 大规模支持向量机 模型选择 数据分块 交替方向乘子法 随机傅里叶特征
• 年，卷（期）: 2018,（6）
• 页码范围: 1068-1076
• 页数: 9页
• 分类号: TP181
• 字数: 5362字
• 语种: 中文
• DOI: 10.16337/j.1004-9037.2018.06.015

摘要

数据分块数的选择是并行/分布式机器学习模型选择的基本问题之一,直接影响着机器学习算法的泛化性和运行效率.现有并行/分布式机器学习方法往往根据经验或处理器个数来选择数据分块数,没有明确的数据分块数选择准则.提出一个并行效率敏感的并行/分布式机器学习数据分块数选择准则,该准则可在保证并行/分布式机器学习模型测试精度的情况下,提高计算效率.首先推导并行/分布式机器学习模型的泛化误差与分块数目的关系.然后以此为基础,提出折衷泛化性与并行效率的数据分块数选择准则.最后,在ADMM框架下随机傅里叶特征空间中,给出采用该数据分块数选择准则的大规模支持向量机实现方案,并在高性能计算集群和大规模标准数据集上对所提出的数据分块数选择准则的有效性进行实验验证.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	廖士中	天津大学计算机科学与技术学院	40	162	9.0	10.0
2	张闯	天津大学计算机科学与技术学院	3	5	1.0	2.0