辅助网络：面向输入不一致动态系统的可扩展敏捷在线学习
机器学习
2020-08-28 v1 机器学习
摘要
流式分类方法假设输入特征的数量固定且始终被接收。但在许多真实场景中，需求是部分输入特征可靠而其他特征不可靠或不一致。本文提出一种新颖的基于深度学习的模型，称为辅助网络（Auxiliary Network，Aux-Net），其具有可扩展性和敏捷性。它采用分类器的加权集成来给出最终结果。Aux-Net 模型基于对冲算法（hedging algorithm）和在线梯度下降（online gradient descent）。它在在线设置中使用单次学习（single pass learning）采用变深度的模型。Aux-Net 是面向需要临时或不一致输入数据的动态复杂环境的可扩展神经网络模型的基础性工作。Aux-Net 的有效性在公开数据集上得到展示。
引用
@article{arxiv.2008.11828,
title = {Auxiliary Network: Scalable and agile online learning for dynamic system with inconsistently available inputs},
author = {Rohit Agarwal and Arif Ahmed Sekh and Krishna Agarwal and Dilip K. Prasad},
journal= {arXiv preprint arXiv:2008.11828},
year = {2020}
}
备注
under review at NIPS 2020