一种用于单类平板支持向量机的快速学习算法
A fast learning algorithm for One-Class Slab Support Vector Machines
AI总结：
本文针对单类平板支持向量机提出一种基于改进序列最小优化的快速训练算法，将多变量优化问题分解为可解析求解的二元子问题，实验表明其在大规模训练数据上比传统二次规划求解器具有更好的可扩展性。
摘要：
单类平板支持向量机（OCSSVM）在特定类别的分类问题中，其准确率已被证明优于传统支持向量机（SVM）、单类支持向量机（One Class SVM）乃至其他单类分类器。本文提出了一种针对单类平板支持向量机的快速训练方法，该方法采用一种改进的序列最小优化（SMO）算法，将多变量优化问题分解为规模为二的较小子问题，从而可以通过解析方式求解。结果表明，与其他二次规划（QP）求解器相比，该训练方法能够更好地扩展到大规模训练数据集。
英文摘要：
One Class Slab Support Vector Machines (OCSSVM) have turned out to be better in terms of accuracy in certain classes of classification problems than the traditional SVMs and One Class SVMs or even other One class classifiers. This paper proposes fast training method for One Class Slab SVMs using an updated Sequential Minimal Optimization (SMO) which divides the multi variable optimization problem to smaller sub problems of size two that can then be solved analytically. The results indicate that this training method scales better to large sets of training data than other Quadratic Programming (QP) solvers.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
