多组件、多层次演化预测系统背景下的元级学习综述
机器学习
2020-07-22 v1
摘要
数据量、多样性和速度的指数级增长提升了对自动化或半自动化从数据中提取有用模式方法的研究需求。针对给定问题找到最合适的学习方法映射，需要深厚的专家知识和大量的计算资源。在海量数据上众多学习算法配置的存在使其成为一项挑战。因此，需要一个智能推荐引擎来建议对于某数据集最佳的学习算法。专家通常使用的技术基于试错法，相互评估和比较若干可能的解，利用其在特定领域的先验经验等。试错法结合专家先验知识尽管计算和时间开销大，但常被证明对离线处理的平稳问题有效。然而，该方法通常难以应用于数据流持续到达的非平稳问题。此外，在非平稳环境中，每当底层数据分布发生变化时手动分析数据并测试各种方法将非常困难或根本不可行。在该场景下且在一个在线预测系统中，有多个任务可利用元学习有效促成最佳推荐，包括 1) 预处理步骤，2) 学习算法或其组合，3) 自适应机制及其参数，4) 重现概念提取，以及 5) 概念漂移检测。
引用
@article{arxiv.2007.10818,
title = {A Review of Meta-level Learning in the Context of Multi-component, Multi-level Evolving Prediction Systems},
author = {Abbas Raza Ali and Marcin Budka and Bogdan Gabrys},
journal= {arXiv preprint arXiv:2007.10818},
year = {2020}
}