a starting seed for the current ite

a starting seed for the current iteration. Another idea is to solve a relaxation of RMP and find an effective rounding procedure. These two
approaches may improve the computational performance of GBD.
In this work, we did not explore how one can set λ values to obtain
a good classifier. Perhaps the solution to the basic SVM problem can
provide a starting point for choosing a value for λ. This needs to be
explored as GBD-λ run-time requirements are significantly less than
GBD-M.
One way to think of GBD is as follows: at each iteration it finds a
set of support vectors in the sub problem SUB and then RMP is used
to select a subspace that best fits these support vectors. Some of the
concave minimization ideas can be used here to select the subspace,
given the support vectors

ผลลัพธ์ (ไทย) 1:

เมล็ดเริ่มต้นสำหรับการเกิดซ้ำในปัจจุบัน ความคิดอื่นคือการ แก้ไขผ่อนคลายของ RMP และขั้นตอนการปัดเศษผลการค้นหา สองเหล่านี้วิธีอาจเพิ่มประสิทธิภาพคอมพิวเตอร์ของ GBDในงานนี้ เราได้อันวิธีหนึ่งสามารถตั้งค่าλสามารถclassifier ดี บางทีการแก้ไขปัญหา SVM พื้นฐานสามารถมีจุดเริ่มต้นสำหรับการเลือกค่าλ นี้จำเป็นต้องexplored GBD λขณะใช้งานต้องมีมากน้อยกว่าGBD-ม.วิธีการคิดของ GBD หนึ่งเป็นดังนี้: ที่เกิดซ้ำแต่ละพบการเวกเตอร์ชุดสนับสนุนในปัญหาย่อยย่อย และจากนั้น ใช้ RMPเลือก subspace ว่า ส่วนเหมาะกับเหล่านี้สนับสนุนเวกเตอร์ บางสามารถใช้แนวคิดการลดเว้านี่ต้อง subspaceกำหนดให้เวกเตอร์สนับสนุน

ผลลัพธ์ (ไทย) 2:

เมล็ดเริ่มต้นสำหรับการทำซ้ำในปัจจุบัน ความคิดก็คือการแก้ปัญหาการผ่อนคลายของ RMP และหาขั้นตอนการปัดเศษที่มีประสิทธิภาพ ทั้งสอง
วิธีอาจปรับปรุงประสิทธิภาพการคำนวณของ GBD.
ในงานนี้เราไม่ได้สำรวจวิธีการหนึ่งที่สามารถตั้งค่าλจะได้รับการ
จําแนกที่ดี บางทีอาจจะเป็นวิธีการแก้ปัญหาที่เกิดขึ้น SVM พื้นฐานที่สามารถ
ให้เป็นจุดเริ่มต้นสำหรับการเลือกความคุ้มค่าλ นี้จะต้องมี
การสำรวจเป็น GBD-λเวลาทำงานความต้องการอย่างมีนัยสำคัญน้อยกว่า
GBD-M.
วิธีการหนึ่งที่จะคิดว่า GBD ดังนี้ซ้ำที่พบในแต่ละ
ชุดของเวกเตอร์การสนับสนุนในการย่อยปัญหาย่อยแล้ว RMP เป็น ที่ใช้
ในการเลือกสเปซที่เหมาะกับเวกเตอร์การสนับสนุนเหล่านี้ บางส่วนของ
ความคิดการลดเว้าสามารถนำมาใช้ที่นี่เพื่อเลือกสเปซที่
ได้รับการสนับสนุนเวกเตอร์

ผลลัพธ์ (ไทย) 3:

เมล็ดพันธุ์สำหรับการเริ่มต้นในปัจจุบัน อีกความคิดคือการแก้ผ่อนคลายของ rmp และหาประสิทธิภาพควบคุมกระบวนการ สองคนนี้
วิธีอาจปรับปรุงประสิทธิภาพการคำนวณของ GBD .
ในงานนี้ เราไม่ได้ศึกษาวิธีการหนึ่งที่สามารถตั้งค่าλขอรับ
ดีลักษณนาม บางทีทางแก้ปัญหา SVM ขั้นพื้นฐานสามารถ
เป็นจุดเริ่มต้นในการเลือกค่าλ .นี้ต้อง
สำรวจเป็น GBD - ความต้องการเรียกใช้λจะน้อยกว่า gbd-m.

วิธีหนึ่งที่จะคิด GBD ดังนี้ คือ ในแต่ละซ้ำพบ
ชุดเวกเตอร์สนับสนุนในปัญหาย่อยย่อยแล้ว rmp ใช้
เลือกย่อยที่ดีที่สุดเหมาะสมกับเวกเตอร์สนับสนุนเหล่านี้ บางส่วนของความคิดการเว้า
สามารถใช้ที่นี่เพื่อเลือกได้
ได้รับการสนับสนุน , เวกเตอร์