一种具有遗忘特性的在线学习算法框架

作     者：孙博良 李国辉 SUN Boliang;LI Guohui

作者机构：国防科技大学信息系统与管理学院湖南长沙410073 

出 版 物：《国防科技大学学报》 (Journal of National University of Defense Technology)

年 卷 期：2014年第36卷第4期

页      码：188-194页

摘      要：基于凸优化中的对偶理论,提出了一种具有遗忘特性的在线学习算法框架。其中,Hinge函数的Fenchel对偶变换是将基本学习问题由批量学习转化为在线学习的关键。新的算法过程是通过以不同方式提升含有约束变量的对偶问题实现的:(1)梯度提升;(2)贪婪提升。回顾了以往的相关研究工作,并指出了与之的区别与联系。人造数据集和真实数据集上的实验结果证实了算法框架的有效性。算法可以很好地处理数据流中的分类面漂移问题,为设计和分析新的在线学习算法提供了一个新的思路。

主 题 词：在线学习 Fenchel对偶 梯度提升 贪婪提升 

学科分类：0808[工学-自动化类] 0809[工学-计算机类] 081203[081203] 08[工学] 0805[工学-能源动力学] 0802[工学-机械学] 0835[0835] 0701[理学-数学类] 0702[理学-物理学类] 0812[工学-测绘类] 0801[工学-力学类] 

核心收录：

D　O　I：10.11887/j.cn.201404032

馆 藏 号：203412659...