一种空间高效的单遍在线 SVM 算法

基于摘要分析。本文研究如何在随机顺序到达的数据流上在线训练 Support Vector Machine（SVM），提出面向超大规模数据集的空间高效单遍算法。核心机制是利用 SVM 的 polytope distance（多面体距离）几何解释，通过梯度下降求解分类问题。 作者报告，算法以高概率在不依赖数据集规模的常数时间和空间内输出 (ϵ,δ)-近似解：分类器分离间隔接近最优，误差不超过 ϵ，同时训练点误分类量由 δ 控制。摘要未说明 δ 对应的精确定义、概率界，以及资源开销对特征维度和近似参数的依赖，因此“常数”应限定为相对于数据集规模而言，具体复杂度口径尚未验证。 作者报告，实验中该算法优于多数既有在线算法，尤其节省空间，同时保持较高分类准确率。摘要未提供数据集、数据划分、基线名称、具体 Accuracy 或内存测量结果；实验协议、消融及统计信息尚未验证，尚不能据此判断优势幅度及适用范围。 平台推测（待验证）：该方法可能为资源受限的 EEG 在线分类提供低存储分类器思路，但其随机顺序数据流前提与真实 EEG 的时间相关性、跨会话漂移并不一致。假设可复用多面体距离求解与单遍更新机制，仍需适配 EEG 特征、归一化及标签获取流程；低信噪比、通道变化和小样本可能使间隔估计或近似保证失效。可在同一有标签 EEG 特征集上，对比随机打乱与按时间顺序输入，在相同划分下记录 Accuracy、峰值内存和更新时间，以检验顺序依赖及空间收益。已有 EEG 相关工作尚未检索确认。