MEMOIR：基于非精确间隔的多类极致分类

具有极大量类别的多类分类，或称极致分类，从统计和计算两个角度看都是一个具有挑战性的问题。大多数经典的多类分类方法，包括一对多或多类支持向量机，都需要在训练和预测步骤中精确估计分类器的间隔，这使得它们在极致分类场景下难以处理。在本文中，我们研究了利用最近邻（ANN）搜索结构结合局部敏感哈希（LSH）计算近似间隔的影响。这种近似能够在性能损失不显著的情况下大幅减少训练和预测时间。我们从理论上证明该近似不会导致模型风险的显著损失，并在五个公开可用的大规模数据集上提供了经验证据，表明所提方法在时间、内存和性能指标上相对于最先进的方法具有高度竞争力。