Budgeted stochastic coordinate ascent for large-scale kernelized dual support vector machine training

Support Vector Machines sind eine der effizientesten Methoden des maschinellen Lernens. Sie liefern hochgenaue Vorhersagen Datensätzen verschiedenster Anwendungsbereiche. Ihr Nachteil ist die quadratische Trainingszeit, die insbesondere bei größeren Datensätzen das Training zu einer rechnerisch sehr anspruchsvollen Aufgabe macht. Dieser Aufwand steht in direktem Zusammenhang mit dem unbegrenzten Wachstum der Anzahl der Support Vektoren im Modell. Daher werden als Abhilfe approximative Methoden, sogenannte Budget Methoden, verwendet, die die Anzahl der Support Vektoren im Modell beschränken. Diese arbeiten aber ausschließlich im primären Raum und nutzen daher die effizienten Trainingsmethoden im Dualraum nicht aus. In dieser Arbeit wird ein neuer Algorithmus entwickelt, der die Budgetbeschränkung im Dualraum umsetzt. Daher kombiniert dieser Ansatz die schnelle Konvergenzrate des dualen Trainings und die Effizienz der Budget Methoden, was anhand mehrerer Datensätze nachgewiesen wird