特征可演化数据流学习
机器学习
2018-01-09 v2 机器学习
摘要
过去几年中，流数据学习引起了广泛关注。尽管大多数研究考虑具有固定特征的数据流，但在实际应用中特征可能是可演化的。例如，由寿命有限的传感器收集的数据特征会在这些传感器被新传感器替换时发生变化。在本文中，我们提出了一种新颖的学习范式：\emph{特征可演化流学习}（Feature Evolvable Streaming Learning），其中旧特征会消失而新特征会出现。我们不仅依赖当前特征，还尝试恢复消失的特征并利用它来提升性能。具体而言，我们分别从恢复的特征和当前特征中学习两个模型。为了从恢复的特征中获益，我们开发了两种集成方法。在第一种方法中，我们结合两个模型的预测，并从理论上证明在旧特征的辅助下，新特征上的性能可以得到提升。在第二种方法中，我们动态选择最佳单一预测，并在最佳模型发生切换时建立更好的性能保证。在合成数据和真实数据上的实验验证了我们方法的有效性。
引用
@article{arxiv.1706.05259,
title = {Learning with Feature Evolvable Streams},
author = {Bo-Jian Hou and Lijun Zhang and Zhi-Hua Zhou},
journal= {arXiv preprint arXiv:1706.05259},
year = {2018}
}