具有增量与减量特征的一次性学习
机器学习
2020-07-07 v1
摘要
在许多实际任务中，特征在不断演化，一些特征消失而另一些特征被增加。例如，在环境监测中某些传感器失效而部署了新的传感器；在手机游戏推荐中某些游戏下架而新增了其他游戏。针对此类增量与减量特征的学习至关重要但极少被研究，尤其是当数据以流的形式到来，从而无法保留全部数据用于优化时。本文研究这一挑战性问题并提出OPID方法。我们的方法试图将消失特征的重要信息压缩为存活特征的函数，进而扩展以纳入新增特征。它是一种一次性学习方法，仅需对每一条样本扫描一次且无需存储全部数据，从而满足演化流式数据的特性。我们方法的有效性在理论和实证上得到了验证。
引用
@article{arxiv.1605.09082,
title = {One-Pass Learning with Incremental and Decremental Features},
author = {Chenping Hou and Zhi-Hua Zhou},
journal= {arXiv preprint arXiv:1605.09082},
year = {2020}
}