离群值鲁棒在线学习
机器学习
2017-01-03 v1 机器学习
摘要
我们考虑在实际环境中从噪声数据学习的问题，其中数据规模过大而无法存储在单台机器上。更具挑战性的是，来自真实世界的数据可能包含恶意离群值。为解决可扩展性和鲁棒性问题，我们提出一种在线鲁棒学习（ORL）方法。ORL 易于实现并具有可证明的鲁棒性保证——这与现有通常对离群值脆弱的在线学习方法形成鲜明对比。我们将 ORL 方法专门应用于两个具体案例：在线鲁棒主成分分析和在线线性回归。我们通过综合模拟以及在大规模数据集上预测图像标签展示了 ORL 的效率和鲁棒性优势。我们还讨论了将 ORL 扩展到分布式学习并提供了实验评估。
引用
@article{arxiv.1701.00251,
title = {Outlier Robust Online Learning},
author = {Jiashi Feng and Huan Xu and Shie Mannor},
journal= {arXiv preprint arXiv:1701.00251},
year = {2017}
}