Convergence rates for SVM-decomposition-algorithms
- Diese Arbeit beschäftigt sich mit Optimierungsalgorithmen, die durch Support Vektor Maschinen (SVMs) induziert werden. Dabei wird ein hochdimensionales konvexes Optimierungsproblem typischerweise durch ein iteratives Näherungsverfahren gelöst, die sogenannte Dekompositionsmethode. Während dieses Verfahren in den meisten Standard-Softwarepaketen für SVMs erfolgreich eingesetzt wird, gibt es bis heute keine mathematisch beweisbare Laufzeitschranke für diese Klasse von Algorithmen. Wir präsentieren eine ausführliche Analyse der verwendeten Auswahlstrategien und beweisen Laufzeitschranken in Abhängigkeit von der Datengröße ℓ und der gewünschten Genauigkeit \(\varepsilon\). Zusammen mit einer genauen Analyse der Stopp-Konditionen für diese iterativen Verfahren lassen sich aus diesen Schranken damit erstmals Garantien für in der Praxis verwendete Softwarepakete herleiten.
Author: | Nikolas ListGND |
---|---|
URN: | urn:nbn:de:hbz:294-25888 |
Referee: | Hans Ulrich SimonGND, Christian IgelORCiDGND |
Document Type: | Doctoral Thesis |
Language: | English |
Date of Publication (online): | 2009/08/31 |
Date of first Publication: | 2009/08/31 |
Publishing Institution: | Ruhr-Universität Bochum, Universitätsbibliothek |
Granting Institution: | Ruhr-Universität Bochum, Fakultät für Mathematik |
Date of final exam: | 2008/05/11 |
Creating Corporation: | Fakultät für Mathematik |
GND-Keyword: | Theoretische Informatik; Maschinelles Lernen; Support-Vektor-Maschine; Quadratische Optimierung; Konvergenz |
Dewey Decimal Classification: | Naturwissenschaften und Mathematik / Mathematik |
faculties: | Fakultät für Mathematik |
Licence (German): | Keine Creative Commons Lizenz - es gelten der Veröffentlichungsvertrag und das deutsche Urheberrecht |