面向多任务数据流分类的双重耦合学习
机器学习
2019-08-19 v1 机器学习
摘要
数据流分类方法通过探索数据流中的内聚性，在单一数据流上展现出有前景的性能。然而，涉及若干相关数据流的多个数据流在许多实际场景中很常见，可视为多任务数据流。与其分别处理它们，考虑多任务数据流之间的相关性以用于数据流建模任务是有益的。为此，提出了一种称为双重耦合支持向量机（DC-SVM）的新分类方法，用于同时分类它们。DC-SVM 考虑多个数据流之间的外部相关性，同时处理单个数据流内部的关联关系。在人工与真实世界多任务数据流上的实验结果表明，所提方法优于传统数据流分类方法。
引用
@article{arxiv.1908.06021,
title = {Double-Coupling Learning for Multi-Task Data Stream Classification},
author = {Yingzhong Shi and Zhaohong Deng and Haoran Chen and Kup-Sze Choi and Shitong Wang},
journal= {arXiv preprint arXiv:1908.06021},
year = {2019}
}
备注
This work has been accepted conditionally by IEEE Computational Intelligence Magazine in July 2019