Efficient updating of probabilistic approximations with incremental objects

مدل مجموعه خبری احتمالی که توسط ترکیب تئوری احتمال به نظریه مجموعه ای خشن مجموعه داده می شود، مدل داده های نامشخص را با تحمل خطاهای تصمیم گیری در شرایط احتمال شرطی و پارامترهای احتمالاتی مدل می کند. حجم داده ها به صورت پویا متغیر هستند. زمان سنجی برای به روز رسانی اطلاعات به طور مستمر از دیدگاه محاسبات بسیار وقت گیر است. تکنیک یادگیری افزایشی مورد نظر برای بهبود کارایی محاسباتی است که یک قابلیت افزایشی برای نگهداری دانش سازگار برای داده های متنوع است. در این مقاله، ما بر روی به روز رسانی کارآیی تقریبی احتمالات با اشیاء افزایشی در یک جدول اطلاعات پویا تمرکز می کنیم. خصوصیات پویا پارتیشن شرطی و طبقه بندی تصمیم گیری در جهان وقتی که درج یا حذف اشیاء رخ می دهد، تحلیل می شود. الگوهای به روز رسانی مختلف احتمال احتمال شرطی برای انواع مختلف ترکیبی کلاس های شرطی و تصمیم گیری ارائه شده است. در همین حال، الگوریتم های افزایشی برای به روز رسانی تقریبی احتمالات پیشنهاد شده اند که برای اجتناب از تلاش های دوباره محاسبه مفید است که بتواند اشیای افزایشی را به مکان های تصمیم گیری مناسب طبقه بندی کند. آزمایشات بر روی مجموعه داده های معیاری نشان می دهد که الگوریتم های پیشنهادی از الگوریتم استاتیک در حضور تنوع دینامیکی جهان برتر هستند.