在线稀疏SVM分类器

流式数据高效分类

通过卷积平滑与非凸惩罚实现在线特征选择，在流式数据下保持与全量批处理相当的估计效率。

Kang, Meng · Tong, He · 盖玉洁 · 林路

Neurocomputing 2025

技术优势

在线更新省内存

在线目标函数仅基于当前数据批和历史汇总统计量构建，无需存储全部历史数据，降低了内存需求。

估计效率不输批处理

理论结果表明在线估计量渐近正态，且估计效率与一次性处理全部数据的离线方法相当。

能自动选惩罚参数

引入了一种专为在线环境设计的滚动验证程序，可在线选择惩罚参数，无需人工调参。

应用场景

• 流式数据分析：处理源源不断到达的大规模数据，无需存储历史原始数据，适合内存受限环境下的实时分析。
• 高维稀疏分类：对含大量冗余协变量的高维数据进行分类时，自动进行特征选择，提高模型稀疏性和精度。
• 实时在线学习：在流式数据场景下逐批更新模型，快速适应新数据，无需重新训练全量模型，满足实时性要求。