基于多次权重更新的在线学习
机器学习
2019-01-09 v2 机器学习
摘要
在线学习在部分数据到达的情况下做出一系列决策，其中数据的下一步动向未知。在本文中，我们提出了一种称为多次权重更新的新技术，它对同一实例迭代更新权重。所提技术与文献中流行的先进算法进行了分析，并使用既定工具进行了实验。结果表明，对于各种数据集和算法，错误率降低到零或接近零。额外的运行成本并不太高，且实现接近零的错误率进一步强化了所提技术。本工作包含了单实例权重更新的有界性质，并实现了最优权重值。所提工作可扩展至大数据集问题以降低在线学习环境中的错误率。此外，所提技术可能有助于应对现实生活中的挑战。
引用
@article{arxiv.1811.00178,
title = {Online learning using multiple times weight updating},
author = {Charanjeet and Anuj Sharma},
journal= {arXiv preprint arXiv:1811.00178},
year = {2019}
}