典型文献
特征演化的置信-加权学习方法
文献摘要：
与研究固定特征空间的传统在线学习相比,特征演化学习通常假设特征不会以任意方式消失或出现,而是随着收集数据特征的硬件设备更换旧特征消失、新特征出现.然而,已有的特征演化学习方法仅利用数据流的一阶信息,而忽略可以挖掘特征之间相关性和显著提高分类性能的二阶信息.提出了一种特征演化的置信-加权学习算法来解决上述问题:首先,引入二阶置信-加权来更新数据流的预测模型;接着,为了充分利用已学习的模型,在重叠时期学习线性映射来恢复旧特征;随后,用恢复的旧特征更新已有模型;同时,用新特征学习新的预测模型;继而,运用两种集成方法来利用这两种模型;实验研究表明,所提算法优于已有的特征演化学习算法.
文献关键词：
机器学习;二阶置信-加权;在线学习;演化特征;分类
中图分类号：
作者姓名：
刘艳芳;李文斌;高阳
作者机构：
计算机软件新技术国家重点实验室(南京大学), 江苏 南京 210023;龙岩学院 数学与信息工程学院, 福建 龙岩 364012
文献出处：
引用格式：
[1]刘艳芳;李文斌;高阳-.特征演化的置信-加权学习方法)[J].软件学报,2022(04):1315-1325
A类：
B类：
特征演化,特征空间,在线学习,学习通,收集数据,数据特征,硬件设备,新特征,数据流,分类性能,新数据,线性映射,射来,复旧,特征更新,特征学习,集成方法,演化学习算法,演化特征
AB值：
0.346174
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
