La macchina di supporto vettoriale esistente multi-label (Rank-SVM) ha una estrema complessità computazionale a causa di un gran numero di variabili in sua programmazione quadratica. Quando si applica il metodo Frank-Wolfe (FW), una programmazione lineare su vasta scala deve ancora essere risolto in qualsiasi iterazione. Pertanto è altamente auspicabile per progettare e realizzare un nuovo efficiente SVM-tipo di algoritmo multi-label. Binary macchina nucleo vettoriale (CVM), come variante del tradizionale SVM, è formulato come programmazione quadratica con un vincolo un'unità simplex, in cui ogni programmazione lineare in FW è una soluzione analitica. In questo lavoro, combiniamo Rank-SVM con CVM per costruire un romanzo SVM-tipo multi-label classificatore (Rank-CVM), che viene descritta come la stessa forma di ottimizzazione CVM binario. Nella qualsiasi iterazione FW, esistono soluzione analitica e dimensione del passo, e diverse formule ricorsive utili per soluzione proxy, sfumatura vettoriale, e il valore funzione obiettivo, i quali riducono notevolmente costo computazionale. Studio sperimentale su nove set di dati di riferimento mostra che quando Rank-CVM effettua come statisticamente così come il suo rivale
Piastra Ghd Amazon Rank-SVM secondo cinque misure di performance, il nostro metodo funziona mediamente circa 13 volte più veloce e ha vettori di supporto meno rispetto Opinioni Ghd Piastra Rank-SVM in fase di formazione in C C ambiente / ++.