概念漂移下的原型分类器：一种建模框架
机器学习
2019-04-08 v1 无序系统与神经网络
机器学习
摘要
我们提出一种用于研究非平稳环境中基于原型的分类器的建模框架。具体而言，我们研究从高维聚类数据流训练的学矢量量化（LVQ）系统。我们考虑称为 LVQ1 的标准胜者通吃更新。输入数据的统计特性在由训练过程定义的时间尺度上发生变化。我们应用先前用于精确描述平稳环境中学习的统计物理分析方法。所提框架便于计算虚拟与真实概念漂移下的学习曲线。此处我们关注训练数据中随时间变化的类别偏置。初步结果表明，尽管基本 LVQ 算法适用于非平稳环境中的训练，但作为显式遗忘机制的权重衰减在所考虑的漂移过程下并不能改善性能。
引用
@article{arxiv.1903.07273,
title = {Prototype-based classifiers in the presence of concept drift: A modelling framework},
author = {Michael Biehl and Fthi Abadi and Christina Göpfert and Barbara Hammer},
journal= {arXiv preprint arXiv:1903.07273},
year = {2019}
}
备注
Accepted contribution to WSOM+ 2019, Barcelona/Spain, June 2019 13th International Workshop on Self-Organizing Maps and Learning Vector Quantization, Clustering and Data Visualization 11 pages