Life-long learning based on dynamic combination model

در این مقاله، ما یک چارچوب جدید یادگیری درازمدت را پیشنهاد می دهیم که به طور مداوم با تغییر توزیع داده ها، یادگیری دانش جدید در حالی که حفظ برخی از دانش قدیمی است، تکامل می یابد. در بسیاری از سیستم های عملی، داده ها در گذشته هنوز مفید هستند اما دیگر قابل دسترسی نیستند. بنابراین، یک سوال در مورد چگونگی به روز رسانی مدل بر اساس داده های جدید و مدل فعلی مطرح می شود. برای مقابله با این مسئله، چارچوب ما مبنایی را در روش گروهی با چند طبقه بندی چندگانه، مستقل از نوع پایه می سازد. هنگامی که داده های جدید پردازش می شود، طبقه بندی های جدید زیر تولید می شوند. سپس طبقه بندی ها به صورت پویا با استفاده از درخت تصمیم گیری ترکیب می شوند، همراه با یک روش پیشنهادی به روش جدید پیشنهاد شده برای جلوگیری از اضافه کردن و حذف مدل های بی نظیر. تضمین ها به روش ترکیبی ارائه می شود. آزمایشات نشان می دهد که چارچوب عملکرد خوبی را به دست می آورد زمانی که داده ها با زمان تغییر می کند و دقت بیشتری نسبت به انتقال موجود و یادگیری افزایشی و روش های موجود در داده کاوی دارد.