实体
LIBSVM
LIBSVM
PulseAugur coverage of LIBSVM — every cluster mentioning LIBSVM across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新的SVM训练方法提供可证明的收敛保证
研究人员开发了一种名为“受保护块传输”的新方法，以提高支持向量机（SVM）训练的效率。该技术将多个优化步骤聚合到一个单一的线搜索中，提供了具有显式常数的、可证明的线性收敛。虽然不总是比LIBSVM或LIBLINEAR等现有求解器更快，但该方法提供了经过认证的对偶间隙，使其在需要此类保证的关键应用中具有价值。
-
推出新的无参数二阶优化方法
研究人员推出了一种新的无参数二阶优化算法POEM-CMA，该算法专为梯度信息不易获得的问题而设计。该方法通过结合协方差矩阵对齐和有效维度概念，增强了原始POEM算法，从而能够在信息丰富的方向上进行更集中的采样。POEM-CMA在收敛速度上接近最优，并在实际应用中显示出优于现有方法的改进，尤其是在具有低秩结构的问题上，这已通过LibSVM数据集上的数值实验得到证实。
-
新的HybridSGD方法优化分布式内存AI训练
研究人员开发了HybridSGD，一种新颖的二维并行随机梯度下降法，旨在优化分布式内存系统的性能。这种新方法在现有的1D方法（如s-step SGD和Federated SGD with Averaging (FedAvg)）之间提供了连续的权衡。理论分析证实了HybridSGD在收敛性、计算、通信和内存使用方面的优势。在Cray EX超级计算系统上的实证评估表明，在应用于二元分类任务时，HybridSGD比FedAvg具有更好的收敛…