SVM(Support Vector Machine)은 선형 및 비선형 분리 데이터 모두에 유용한 실용적인 접근법이다. 비선형으로 분리 가능한 데이터 에 사용되는 주요 개념은 데이터 포인트를 선형으로 분리 할 수 있는 커널 함수를 사용하여 저 차원 데이터 포인트를 고차원 공간으로 매핑하는 것이다. SVM의 주요 작업은 데이터 간의 분리 공간을 최대화하는 최적의 초평면을 찾는 것이다. 하지만 다양한 분류 문제로 널리 받아 들여졌지만 교육 데이터를 처리하기 위해서는 많은 양의 계산과 메모리가 필요하다. 이때 중복 데이터 포인트라고하는 초평면 의 구성에 영향을 미치지 않거나, 거의 영향을 미치지 않는 훈련 데이터의 수를 줄임으로써 문제를 완화 할 수 있다. Supprot Vector(SV)라고 불리는 소그룹의 훈련 샘플만이 SVM에서 초평면의 생성에 영향을 미친다. 따라서, SV와 관련이 없는 훈련 표본은 결정 기능에 영향을 미치지 않고 제거할 수 있다. 여기서 핵심은 주어진 교육 데이터 세트 중에서 중복 데이터 포인트를 정확하고 효율적으로 식별하는 것이다. 현재 SVM을 이용한 훈련 계산 오버헤드를 줄이기 위한 다양한 접근법이 제안되었다[1]. 그 중 클러스터링 알고리즘을 SVM과 결합하는 것은 SVM의 복잡성을 줄이기 위해 사용되는 일반적인 방법 중 하나이다. 본 논문에서는 분류 정확도를 떨어트리지 않으면서 트레이닝 데이터의 양을 크게 줄이기 위해 Parallel Hyperplane(PH)이라는 새로운 개념을 제안한다.