通过增长专家集成适应非平稳性

在处理具有复杂非平稳性的时间序列时，对单个实现实现低回顾遗憾比期望的低前瞻风险更为合适。在线学习算法提供了这种形式的强大保证，并且因其能够在不同预测器或“专家”之间切换，常被提议用于非平稳过程。然而，现有方法假设要组合其预测的专家集在开始时全部给定，这在处理真正的历史性或演化性系统时是不合理的。我们展示了如何修改用于追踪最佳专家的“固定份额”算法，以应对专家集稳步增长的情况——该专家集通过将新模型拟合到新数据（随着数据变得可用）而获得，并得到了增长集成下的遗憾界。