朴素支持张量机的算法研究综述

摘要：

大部分数据的自然表示形式是向量、矩阵或者更高维的数据,支持向量机可以较好地处理向量形式的数据,但是对于高维数据,传统的机器学习算法在将多维数据转化成向量形式时会损失大量的结构信息.因此,研究者提出朴素支持张量机这一类分类器,将多维数据输入进行训练,利用SMO算法求解.其中利用CP分解、Tucker分解或者张量核函数等来获取数据的结构信息,这样不但能够获取数据的大部分信息,还可以节省时间成本,减少计算量,又可以求得凸优化函数的全局最优解.本文对这一类分类器的一个算法研究综述,同时指出了算法的优缺点和未来发展的方向.

关键词：高维数据、朴素支持张量机、CP分解、Tucker分解、张量核

所属期刊栏目：10

分类号：TP181(自动化基础理论)

资助基金：贵州师范大学博士启动项目085185740001

在线出版日期：2021-04-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：28-31