PrIU：一种基于溯源的回归模型增量更新方法
机器学习
2020-02-28 v1 数据库
机器学习
摘要
机器学习算法的广泛使用给传统数据库问题（如增量视图更新）带来了新挑战。人们正投入大量精力以更好地理解和调试机器学习模型，以及识别和修复训练数据集中的错误。我们的关注点在于，当因清洗中移除有问题训练样本或为可解释性选择不同训练子集而必须重新训练机器学习模型时，如何辅助这些活动。本文提出一种高效的基于溯源的方法 PrIU 及其优化版本 PrIU-opt，用于在不牺牲预测精度的前提下增量更新模型参数。我们证明了增量更新模型参数的正确性与收敛性，并通过实验进行了验证。实验结果表明，与从头简单重训练模型相比，PrIU-opt 可实现高达两个数量级的加速，同时获得高度相似的模型。
引用
@article{arxiv.2002.11791,
title = {PrIU: A Provenance-Based Approach for Incrementally Updating Regression Models},
author = {Yinjun Wu and Val Tannen and Susan B. Davidson},
journal= {arXiv preprint arXiv:2002.11791},
year = {2020}
}
备注
28 Pages, published in 2020 ACM SIGMOD International Conference on Management of Data (SIGMOD 2020)