我想知道对于具有非线性决策边界（例如高斯核）的大型/超大型数据集（5-15M+ 行）的支持向量机（SVM）的最先进的高效（近似）实现是什么?
我知道两种特殊的方法：一方面，这项使用随机梯度下降等的调查： http: //cseweb.ucsd.edu/~akmenon/ResearchExam.pdf
另一方面，有这些核心向量机/球向量机方法： http ://www.c2i.ntu.edu.sg/ivor/cvm.html
在哪一页我们可以找到两篇描述核心和球向量机的论文。
换句话说，我相信 SVM 对于手头的问题是相当合理的，但是如果我要使用标准的 SVM 实现（可能高达 n^3 的复杂性），我会受到样本量的限制。我正在寻找一种在时间复杂度低于 n^2 的情况下相当准确的“近似”实现。最快的此类实现是什么？它们在经验上运行良好还是在准确性上接近原始 SVM？