The cascade SVM （串联SVM；层级SVM；层叠SVM）

忘是亡心i 2022-06-04 00:07 168阅读 0赞

对于标题布置如何翻译较好；  
本文翻译自论文：[http://download.csdn.net/download/aq\_cainiao\_aq/10136946][http_download.csdn.net_download_aq_cainiao_aq_10136946]

## parallel support vector machine：the cascade svm ##

cascade svm的提出是通过并行的方式解决svm算法时间和空间占用资源多的缺点，尤其是非线性svm需要较多的支持向量时，数据占用内存多，运行耗时长。  
接下来只介绍算法部分，不是完全按照原文翻译，内容有删减。

## the cascade svm ##

从优化问题中提前排除支持向量可以加速SVM，即使用过滤过程实现高效并行。  
![这里写图片描述][SouthEast]  
图1描述的是层叠SVM的结构。在第一层，数据被分成子数据集并且独立的寻找支持向量。第一层的结果在下一层被两两连接作为新的训练集。最后一层得到的支持向量测试是否能够全局收敛，如果不能，就要和非支持向量数据一起迭代回第一层。  
TD:training data 训练数据  
SV:support vector支持向量  
如图一，我们以分层的方式初始化问题：一系列独立的、小的优化问题，并在下一阶段链接部分结果。  
划分数据和连接结果的方式有很多。图一知识展现其中一种，二级层叠，这种方式在很多测试中被证明是有效的。  
如果前几层的过滤非支持向量是有效的，那么在最后一层的过滤中，需要处理的数据只是比最终得到支持向量多几个。

## 过滤非支持向量的解释 ##

![这里写图片描述][SouthEast 1]  
在图2中描述了一个直观的过滤过程。如果子集是从训练集中随机选择的，它极有可能没有包含全部的支持向量，，而且子集得到的支持向量也可能不是全部训练集的支持向量。无论如何，如果自己没有偏差严重的话，那么子集包含的支持向量也可能包含全部训练集支持向量的一部分。与此不同的描述是，子集的“内部”点也是全集的“内部”点。因此，一个子集的非支持向量很有可能是全集的非支持向量，我们可以提前排除。  
图2中：说明了过滤的过程。从训练集中选择两个分离的子集，每一个子集各自优化（左边；中间；数据用实体元素表示）。在每一个子集中的支持向量用边框标记了，他们在最后的优化中连接起来，得到问题的分类的边界（实线）。

以上只是对cascade SVM 的简单原理介绍，其中算法还涉及到如何划分子集、几个子集合并、最后的收敛规则等问题还待研究。

[http_download.csdn.net_download_aq_cainiao_aq_10136946]: http://download.csdn.net/download/aq_cainiao_aq/10136946
[SouthEast]: /images/20220604/9919f9f230c5468db173d71e8addd235.png
[SouthEast 1]: /images/20220604/69c8d5d63dec4127b6fceb8a68e54d0d.png