ماشین بردار پشتیبان [1] ابزار قدرتمندی برای دسته بندی و رکرسیون است اما پردازش و فضای ذخیره سازی مورد نیاز با افزایش بردار های آموزشی به سرعت افزایش می باشد که مشکلات زیادی برای برآوردن کارایی الگوریتم ایجاد می کند.
به طور خلاصه این الگوریتم با کمک یک نگاشت غیر خطی داده های آموزشی اولیه را به یک بعد بالاتر تبدیل می کند در این بعد جدید به دنبال ابر صفحه ای بهینه می گردد که تاپل های یک کلاس را از دیگری به صورت خطی تفکیک می کند.
در این الگوریتم ابر صفحه با کمک بردار های پشتیبان که تاپل های آموزشی هستند و توصیف فشرده ای از مدل یادگیری شده را ارائه می دهند حاشیه ها که به کمک بردار های پشتیبان تعریف می شود بدست می آید.
موارد استفاده: تشخیص اعداد دست نویس شناخت شیء شناسایی صدا
هسته مرکزی یک svm

در این مقاله الگوریتمی برای ماشین های بردار پشتیبان ارائه شده است که قادر است موازی سازی را به صورت موثر و مقیاس پذیری برای مسائل خیلی بزرگ با هزاران و میلیون ها بردار آموزشی انجام دهد به جای تجزیه و تحلیل کل مجموعه آموزشی در یک مرحله بهینه سازی شده، داده ها را به مجموعه های متمایز تقسیم می کنیم و به طور جداگانه آنها را با svm بهینه می کنیم. بخشی از نتایج ترکیب و مجددا در یک آبشار از SVM ها فیلتر می شوند تا به نتیجه بهینه کلی برسیم. آبشار svm را می توان با پردازنده های متعدد با حداقل سربار ارتباطات و نیاز به حافظه به مراتب کمتر است تاز مانی که ماتریس مرکزی بسیار کوچکتر از svm عادی است.
رسیدن به نتیجه بهینه نهایی با گذر های متعدد از طریق آبشار تضمین می شود اما در صورتی که مسئله 100000 بردار داشته باشد svm عادی 5 الی 10 برابر سریع تر از نسخه موازی آن خواهد بود. پیاده سازی موازی در یک خوشه با 16 ژردازنده تست شد با یک میلوین بردار که در یک الی دو روز همگرایی حاصل شد در صورتی که در svm عادی در زمانی حدود یک هفته به نتیجه مطلوب رسیده است.

Intro
ماشین بردار پشتیبان [1] ابزار قدرتمندی برای طبقه بندی و رکرسیون است اما پردازش و فضای ذخیره سازی مورد نیاز با افزایش بردار های آموزشی به سرعت افزایش می باشد که باعث می شود بسیاری از منافع علمی دور از دسترس شوند.
پیچیدگی svm مکعب تعداد بردارهای آموزشی است O(k3) . الگ.ریتم های تخصصی