面向大规模数据的SVDD在线学习算法

作者：王小飞; 陈永展; 王强; 高艳丽; 李健增

来源：测控技术, 2023, 42(08): 1-21.

DOI：10.19708/j.ckjs.2023.02.212

• 大规模数据
• 支持向量数据描述
• 支持向量约减
• 在线学习

针对支持向量数据描述(Support Vector Data Description, SVDD)在线学习时的支持向量数量随样本规模的扩大呈线性增加，进而导致模型更新时间呈非线性增长的问题，提出一种基于支持向量约减的支持向量数据描述(R-SVDD)在线学习方法。该算法通过执行支持向量约减，控制在线学习时的支持向量数量，从而使其具有比其他SVDD算法更快速且更稳定的模型更新时间，适合大规模数据的分类处理。首先阐述了支持向量约减的原理；进而给出了在线R-SVDD算法。在单分类和多分类数据集上的实验结果表明，R-SVDD算法相较于SVDD算法，能够在保持分类精度的基础上拥有更快的学习速度。