Optimized Cutting Plane Algorithm for Large-Scale Risk Minimization

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F09%3A00158805" target="_blank" >RIV/68407700:21230/09:00158805 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Optimized Cutting Plane Algorithm for Large-Scale Risk Minimization

Popis výsledku v původním jazyce

We have developed an optimized cutting plane algorithm (OCA) for solving large-scale risk minimization problems. We prove that the number of iterations OCA requires to converge to a epsilon precise solution is approximately linear in the sample size. Wealso derive OCAS, an OCA-based linear binary SVM solver, and OCAM, a linear multi-class SVM solver. In an extensive empirical evaluation we show that OCAS outperforms current state-of-the-art SVM solvers like svmlight, svmperf and BMRM, achieving speedupfactor more than 1,200 over svmlight on some data sets and speedup factor of 29 over svmperf, while obtaining the same precise support vector solution.

Název v anglickém jazyce

Optimized Cutting Plane Algorithm for Large-Scale Risk Minimization

Popis výsledku anglicky

We have developed an optimized cutting plane algorithm (OCA) for solving large-scale risk minimization problems. We prove that the number of iterations OCA requires to converge to a epsilon precise solution is approximately linear in the sample size. Wealso derive OCAS, an OCA-based linear binary SVM solver, and OCAM, a linear multi-class SVM solver. In an extensive empirical evaluation we show that OCAS outperforms current state-of-the-art SVM solvers like svmlight, svmperf and BMRM, achieving speedupfactor more than 1,200 over svmlight on some data sets and speedup factor of 29 over svmperf, while obtaining the same precise support vector solution.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

<a href="/cs/project/1M0567" target="_blank" >1M0567: Centrum aplikované kybernetiky</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2009

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Journal of Machine Learning Research

ISSN

1532-4435

e-ISSN

—

Svazek periodika

10

Číslo periodika v rámci svazku

4

Stát vydavatele periodika

US - Spojené státy americké

Počet stran výsledku

36

Strana od-do

—

Kód UT WoS článku

000272346400001

EID výsledku v databázi Scopus

—