个性化在线机器学习
机器学习
2021-09-23 v1 机器学习
摘要
本工作中，我们引入个性化在线超级学习器（POSL）——一种面向流数据的在线集成算法，其优化过程可容纳不同程度的个性化。具体而言，POSL 针对基线协变量优化预测，因此个性化可从完全个体化（即针对基线协变量受试者 ID 优化）到众多个体（即针对公共基线协变量优化）不等。作为一种在线算法，POSL 实时学习。POSL 可利用多种候选算法，包括具有不同训练与更新时间的在线算法、过程中从不更新的固定算法、从多个体时间序列学习的池化算法，以及从单一时间序列内部学习的个体化算法。POSL 对此类混合基学习策略的集成取决于所收集数据量、时间序列的平稳性，以及一组时间序列的相互特征。本质上，POSL 基于数据中潜在的（未知）结构，决定是跨样本学习、跨时间学习，还是二者兼学。在反映现实预测场景的广泛模拟及一个医学数据应用中，我们考察了 POSL 相对于其他当前集成与在线学习方法的性能。我们表明 POSL 能为时间序列数据提供可靠预测，并适应变化的数据生成环境。我们进一步将 POSL 扩展到时间序列随 chron 时间动态进入/退出的设定，以增进其实用性。
引用
@article{arxiv.2109.10452,
title = {Personalized Online Machine Learning},
author = {Ivana Malenica and Rachael V. Phillips and Romain Pirracchio and Antoine Chambaz and Alan Hubbard and Mark J. van der Laan},
journal= {arXiv preprint arXiv:2109.10452},
year = {2021}
}