特征可变流数据下的学习
本文提出了一种新的演化集成分类器,称为 Parsimonious Ensemble pENsemble,该方法由一种被称为 Parsimonious Classifier pClass 的演化分类器构建,具有动态的特征选择和集成结构,并具有检测漂移的新颖方案,在处理动态和演化数据流方面表现最有希望,可以在精度和复杂度之间实现平衡。
May, 2017
本文提出了 OLD^3S 框架,实现在线学习的高效处理,针对在不断更新的特征空间上进行的数据流的学习问题。通过建立新旧特征空间之间的关系,发现一个共享的潜在子空间以总结旧和新特征空间的信息,构建中间特征映射关系,从而将模型容量作为可学习的语义,以在线方式在模型深度和参数之间达到最优平衡。
Apr, 2022
通过在共享的潜变量空间中不断更新原型解决了在线学习中原型过时和缓解遗忘的问题,提出了一种学习和预测任意时间点数据的系统。除了最近邻预测之外,通过提高类原型周围的聚类密度和增加类间方差来促进学习的同时,使用记忆库中的样本构成虚拟原型来提高潜在空间质量。
Sep, 2020
该研究论文介绍了一种新的图数据流分类方法,能在节点和边随时间变化的情况下进行模型适应的增量学习,选择每个类别的代表图并创建嵌入表示,同时通过基于损失的概念漂移检测机制来重新计算图的代表图。
Apr, 2024
本研究提出了一种基于强化学习和 MC dropout 采样方法的在线成本敏感特征获取方案,该方案可适用于流式学习的场景,测试结果表明该方案能够有效地获取特征并做出准确预测。
Jan, 2019
本论文研究了一种挑战性的问题:如何在特征不断进化的情况下进行单通扫描学习。通过特征压缩和基于存活特征的函数扩展等技术,该 OPID 方法成功应用于存储不确定的、动态的流数据中。
May, 2016
提出了一种新的持续性学习方法来同时处理学习和存储新信息以及适应先前概念的变化,该方法引入了一个记忆库和一个反应子空间缓冲区来解决数据流挖掘和连续学习两个领域的问题。
Apr, 2021
该研究提出了一个 Explainable Lifelong Learning (ExLL) 模型,适用于移动电话、消费机器人和智能家电等实时的、在设备上的连续学习应用中,通过一个自组织的基于原型的架构将流式数据聚类为可分离的 group,并保留数据,同时提供 IF-THEN 规则、模型预测的解释以及全局和本地决策融合等诸多性能优点,相对于其他在线学习算法在视频流、低样本学习、规模能力和不平衡数据流等多种场景下的准确性表现更优。
Jun, 2023