@article { author = {Esmaeilbeigi, Mohsen and Chatrabgoun, Omid}, title = {Using Low-Rank Approximation In Order To Improve the Efficiency of the Support Vector Machine and Applications}, journal = {Journal of Soft Computing and Information Technology}, volume = {8}, number = {4}, pages = {98-109}, year = {2020}, publisher = {Babol Noshirvani University of Technology}, issn = {2383-1006}, eissn = {2588-4913}, doi = {}, abstract = {Support vector machine is one of the most powerful tools in the field of supervised machine learning to classify the existed data. In the data that the linear support vector machine does not have the required efficiency in their classification, using the kernel-based support vector machine which is based on the use of feature space instead of the original data is considered. As a result of this structure, nonlinear classification can be provided. One of the challenges in this approach is to increase the computational complexity and ultimately increase in the required time for classification. As such, it is not particularly useful for large datasets. This increase in computational time is mainly due to the appearance of the kernel in solving the quadratic optimization problem, which we will be able to overcome this problem using the presented low-rank approximation in this paper. In this technique, using a truncated Mercer series of the kernel, the quadratic optimization problem in the kernel-based support vector machine is replaced with a much simpler optimization problem. In the new presented approach, the required vector computations and matrix decompositions will be much faster such that these changes lead to faster resolution of the quadratic optimization problem and increase efficiency. Finally, the results of experiments show that using a low-rank kernel-based approximation of support vector machine, while keeping the classification performance in an acceptable range, the computational time has been significantly reduced.}, keywords = {Support Vector Machine,Kernel-based SVM,Mercer series,Low-rank approximation}, title_fa = {استفاده از تقریب رتبه پایین به منظور بهبود کارایی ماشین بردار پشتیبان مبتنی بر هسته ها و کاربردهای آن}, abstract_fa = {ماشین بردار پشتیبان یکی از ابزارهای توانمند در زمینه یادگیری ماشین با ناظر در طبقه‌بندی داده‌ها می‌باشد. در مواجهه با داده-هایی که ساختار ماشین بردار پشتیبان خطی در طبقه‌بندی آنها از کارایی لازم برخوردار نیست، استفاده از ساختار ماشین بردار پشتیبان مبتنی بر هسته‌ها مدنظر می‌باشد. در رویکرد مبتنی بر هسته‌ها به دلیل استفاده از فضای ویژگی داده‌ها به جای خود داده‌های اصلی امکان طبقه‌بندی غیرخطی فراهم می‌آید. یکی از چالش‌های موجود در این رویکرد افزایش پیچیدگی‌های محاسباتی و در نهایت افزایش زمان لازم برای طبقه‌بندی است. عمدتاً این افزایش زمان محاسباتی به دلیل ظاهر شدن هسته در حل مسئله بهینه-سازی درجه دوم است که با استفاده از تقریب رتبه پایین ارائه شده در این مقاله قادر خواهیم بود بر این مشکل غلبه کنیم. در این تکنیک با به کارگیری سری تقریبی قطع شده از هسته موجود، مسئله بهینه‌سازی درجه دوم در ساختار ماشین بردار پشتیبان مبتنی بر هسته‌ها با یک مسئله بهینه سازی با ساختار ساده‌تر جایگزین می‌گردد. در این رویکرد ، حاصلضرب‌های بردار-ماتریس و تجزیه‌های ماتریسی مورد نیاز بسیار سریع‌تر انجام خواهد شد. این تغییرات منجر به حل سریعتر مسئله بهینه‌سازی درجه دوم موجود و افزایش کارایی در طبقه‌بندی می‌گردد. نهایتاً نتایج عددی ارائه شده در طبقه‌بندی برخی داده‌های کاربردی با استفاده از تقریب رتبه پایین ماشین بردار پشتیبان مبتنی بر هسته‌ها نشان می‌دهد که ضمن حفظ عملکرد طبقه‌بندی در حد قابل قبول، زمان محاسباتی به‌طور قابل توجهی کاهش یافته است.}, keywords_fa = {طبقه‌بندی نظارت‌شده,ماشین بردار پشتیبان,بسط مرکر,تقریب رتبه پایین}, url = {https://jscit.nit.ac.ir/article_102143.html}, eprint = {https://jscit.nit.ac.ir/article_102143_d150b7dabe96fedb6dddb4261cf7fc4a.pdf} }