在线贝叶斯被动攻击学习

在线被动攻击（PA）学习是执行最大间隔在线学习的有效框架。但其确定性公式和估计的单一最大间隔模型可能会限制其发现复杂数据 underlying 描述性结构的能力。本文提出了在线贝叶斯被动攻击（BayesPA）学习，它涵盖了在线 PA，并自然地扩展为包含潜变量和执行非参数贝叶斯推断，从而为探索性分析提供了极大的灵活性。我们将 BayesPA 应用于主题建模，并推导了最大间隔主题模型的高效在线学习算法。我们进一步开发了非参数方法来解决主题数量问题。真实数据集上的实验结果表明，我们的方法在保持与批量对应方法相当结果的同时，显著提高了时间效率。