Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
Zur Ablage hinzufügen
  Lokale TagsFreigabegeschichteDetailsÜbersicht

Freigegeben
Buchkapitel

Trading Convexity for Scalability

MPG-Autoren
/persons/resource/persons84226

Sinz,  F
Research Group Computational Vision and Neuroscience, Max Planck Institute for Biological Cybernetics, Max Planck Society;
Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society;

Externe Ressourcen

https://ieeexplore.ieee.org/document/6279960
(Zusammenfassung)

Volltexte (beschränkter Zugriff)
Für Ihren IP-Bereich sind aktuell keine Volltexte freigegeben.
Volltexte (frei zugänglich)

Collobert-Sinz.pdf
(beliebiger Volltext), 290KB

Ergänzendes Material (frei zugänglich)
Es sind keine frei zugänglichen Ergänzenden Materialien verfügbar
Zitation

Collobert, R., Sinz, F., Weston, J., & Bottou, L. (2007). Trading Convexity for Scalability. In L. Bottou, O. Chapelle, D. DeCoste, & J. Weston (Eds.), Large Scale Kernel Machines (pp. 275-300). Cambridge, MA, USA: MIT Press.


Zitierlink: https://hdl.handle.net/11858/00-001M-0000-0013-CC09-2
Zusammenfassung
Convex learning algorithms, such as Support Vector Machines (SVMs), are often
seen as highly desirable because they offer strong practical properties and are
amenable to theoretical analysis. However, in this work we show how nonconvexity
can provide scalability advantages over convexity. We show how concave-convex
programming can be applied to produce (i) faster SVMs where training errors are
no longer support vectors, and (ii) much faster Transductive SVMs.