Nyström方法已被广泛用于提高批核学习的计算效率。 Nyström方法的关键思想是从T个训练实例的集合中随机采样M个支持向量，并在由随机采样的支持向量跨越的空间中学习核分类器。 在这项工作中，我们研究了使用Nyström方法进行的在线正则化内核学习，重点是样本复杂度，即产生最佳收敛速度O（1 / T）所需的随机采样支持向量的数量，其中T为在线学习中收到的培训实例的数量。 我们证明，当损失函数为光滑且强凸时，仅 需要随机采样的支持向量来保证O（logT / T）收敛速度，除了 因素。 我们通过