FSL-BM：用于分类的二值元特征模糊监督学习
机器学习
2020-12-09 v2 人工智能
应用统计
机器学习
摘要
本文引入了一种用于大数据分类任务的新型实时二值元特征模糊监督学习（FSL-BM）。实时算法的研究涉及几个主要关注点，即：准确性、内存消耗、扩展假设的能力以及时间复杂度。获得一个提供模糊逻辑和监督学习的快速计算模型是机器学习中的主要挑战之一。在本文中，我们提出了 FSL-BM 算法，作为使用 Hamming 距离和 Hash 函数以放宽假设的二值元特征表示进行模糊逻辑处理的监督学习的高效解决方案。在过去十年中，尽管许多研究致力于降低时间复杂度和提高准确性，但该提议方案的新颖贡献在于通过整合 Hamming 距离、Hash 函数、二值元特征和二分类来提供实时监督方法。Hash 表（HT）组件可快速访问现有索引；因此，能在常数时间复杂度内生成新索引，以更优或可比的结果超越了现有的模糊监督算法。总而言之，该技术对实时模糊监督学习的主要贡献是通过二值输入将假设表示为元特征空间，并创建模糊监督 Hash 表以训练和验证模型。
引用
@article{arxiv.1709.09268,
title = {FSL-BM: Fuzzy Supervised Learning with Binary Meta-Feature for Classification},
author = {Kamran Kowsari and Nima Bari and Roman Vichr and Farhad A. Goodarzi},
journal= {arXiv preprint arXiv:1709.09268},
year = {2020}
}
备注
FICC2018