主曲线的序贯学习：实时概括数据流
机器学习
2021-12-16 v2 机器学习
统计理论
统计理论
摘要
面对海量数据流，使用 PCA 等降维方法概括数据会带来理论与算法上的陷阱。主曲线作为 PCA 的非线性推广，本文提出一种新算法，可自动且序贯地从数据流中学习主曲线。我们表明，我们的过程得到具有最优次线性余项遗憾界（regret bounds）的支持。我们给出了一个贪婪局部搜索实现（称为 \texttt{slpc}，即 Sequential Learning Principal Curves），它结合了休眠专家与多臂老虎机要素，并给出了其遗憾计算以及在合成与真实数据上的性能。
引用
@article{arxiv.1805.07418,
title = {Sequential Learning of Principal Curves: Summarizing Data Streams on the Fly},
author = {Benjamin Guedj and Le Li},
journal= {arXiv preprint arXiv:1805.07418},
year = {2021}
}