快速稀疏孪生学习框架

大规模分类又快又准

通过稀疏约束减少支持向量数量，在保持分类精度的同时显著提升计算速度，且对噪声不敏感。

Haoyu, Wang · 余国林 · Ma, Jun

Engineering Applications of Artificial Intelligence 2024

技术优势

运行更快

在十个大规模数据集上验证，计算速度显著优于同类方法。

精度不降

分类精度与其他学习方法相当或更优，可放心替代。

噪声不敏感

对样本噪声不敏感，重采样下模型稳定，适合真实含噪数据。

支持向量更少

在对偶问题中引入稀疏约束，大幅减少支持向量数量，从而降低计算负担。

应用场景

• 大规模模式分类：直接用于大规模样本分类，替代计算昂贵的传统孪生支持向量机。
• 机器人视觉：嵌入机器人视觉系统，实时处理大量图像分类任务。
• 物联网数据分析：现场分析海量物联网数据，模型对噪声鲁棒。
• 边缘计算：轻量快速，适合边缘设备上的低延迟分类。