用于非平稳数据流终身学习的深度堆叠随机配置网络
机器学习
2019-12-10 v3 神经与进化计算
机器学习
摘要
SCN 的概念为 non-stationary 数据流的终身学习提供了一个具有通用逼近保证的快速框架。其自适应范围选择特性使得能够适当地随机生成隐藏单元参数，从而推进了受随机参数固定范围约束的传统随机化方法。本文提出深度堆叠随机配置网络（DSSCN）用于非平稳数据流的持续学习，其贡献两个方面：1）DSSCN 具有深度堆叠网络结构的自构建方法，其中隐藏单元和隐藏层从连续生成的数据流中自动提取；2）SCN 的概念被发展为在隐藏节点添加步骤中随机分配多元高斯函数的逆协方差矩阵，从而绕过其计算代价高昂的调优阶段。在两种流程下与著名数据流算法的数值评估和比较：周期性保留验证和预验先训（prequential test-then-train）过程，证明了所提方法的优势。
引用
@article{arxiv.1808.02234,
title = {Deep Stacked Stochastic Configuration Networks for Lifelong Learning of Non-Stationary Data Streams},
author = {Mahardhika Pratama and Dianhui Wang},
journal= {arXiv preprint arXiv:1808.02234},
year = {2019}
}
备注
This paper has been published in Information Sciences