Developing parallel sequential minimal optimization for fast training support vector machine
Developing parallel sequential minimal optimization for fast training support vector machine
复制标题
为快速训练支持向量机开发并行顺序最小优化
DOI：
10.1016/j.neucom.2006.05.007
复制
发表时间：
2006-12
期刊：
影响因子：
6
通讯作者：
中科院分区：
文献类型：
--
作者：
提出了一种并行的序列最小优化算法（SMO），用于快速训练支持向量机（SVM）。SMO算法是目前最流行的SVM训练算法之一，但它在求解大规模问题时仍需要大量的计算时间。基于消息传递接口（MPI）开发了并行SMO。与使用一个CPU处理器处理所有训练数据点的顺序SMO不同，并行SMO首先将整个训练数据集划分为较小的子集，然后同时运行多个CPU处理器来处理每个分区的数据集。实验表明，在多处理器的情况下，对成人数据集、MNIST数据集和IDEVAL数据集的处理有很大的加速比。在网络数据集上也有令人满意的结果。这一工作对于研究多CPU处理器的机器是非常有用的.
A parallel version of sequential minimal optimization (SMO) is developed in this paper for fast training support vector machine (SVM). Up to now, SMO is one popular algorithm for training SVM, but it still requires a large amount of computation time for solving large size problems. The parallel SMO is developed based on message passing interface (MPI). Unlike the sequential SMO which handle all the training data points using one CPU processor, the parallel SMO first partitions the entire training data set into smaller subsets and then simultaneously runs multiple CPU processors to deal with each of the partitioned data sets. Experiments show that there is great speedup on the adult data set, the MNIST data set and IDEVAL data set when many processors are used. There are also satisfactory results on the Web data set. This work is very useful for the research where multiple CPU processors machine is available.
登录
查看更多内容
DOI：
--
发表时间：
2008
期刊：
--
影响因子：
--
作者：
Chih-Wei Hsu;Chih-Chung Chang-;Chih-Jen Lin
通讯作者：
Chih-Wei Hsu;Chih-Chung Chang-;Chih-Jen Lin
DOI：
10.5555/299094
发表时间：
1999-02
期刊：
--
影响因子：
--
作者：
B. Scholkopf;C. Burges;Alex Smola
通讯作者：
B. Scholkopf;C. Burges;Alex Smola
DOI：
10.1007/3-540-45065-3_9
发表时间：
2003-07
期刊：
--
影响因子：
--
作者：
Jian-xiong Dong;A. Krzyżak;C. Suen
通讯作者：
Jian-xiong Dong;A. Krzyżak;C. Suen
影响因子：
2.9
作者：
Keerthi, SS;Shevade, SK;Murthy, KRK
通讯作者：
Murthy, KRK
影响因子：
--
作者：
Cao, LJ;Tay, FEH
通讯作者：
Tay, FEH