PLAME 加法核 SVM 训练加速算法

同时满足三条件

通过分段线性近似测度，在保持低分类误差的同时减少内存占用和训练时间，适用于大规模数据集的加法核 SVM 模型训练。

Chan, Tsz Nam · Zhe, Li · Leong Hou, U. · Cheng, Reynold C.K.

2024

技术优势

内存占用低

分段线性近似只需存储少量参数，避免了存储完整核矩阵，因此内存占用显著降低。

训练速度快

通过近似计算替代高成本的精确核计算，训练时间大幅缩短，能够扩展到大规模数据集。

误差不牺牲

PLAME 在降低内存和时间的同时仍保持低分类误差，实现了三者的最佳平衡。

应用场景

• 大规模分类：用低内存和快速训练处理海量样本，替代耗时的传统核 SVM。
• 行人检测：在检测任务中训练加法核 SVM，缩短模型更新时间。
• 人类活动识别：用低内存模型快速识别活动，适合资源受限设备。