Highly efficient hierarchical online nonlinear regression using second order methods

ما الگوریتم های رگرسیون غیر خطی آنلاین بسیار کارآمد را که برای برنامه های زندگی واقعی مناسب هستند معرفی می کنیم. ما داده ها را در یک روش واقعا آنلاین پردازش می کنیم، به طوری که هیچ ذخیره سازی مورد نیاز نیست، یعنی داده ها بعد از استفاده حذف می شوند. برای مدل سازی غیرخطی، ما از یک رویکرد خطی پویا سلسله مراتبی بر اساس مفهوم درخت های تصمیم گیری استفاده می کنیم که در آن فضای بردارهای رگرسیون بر اساس عملکرد سازگارانه تقسیم می شود. به عنوان اولین بار در ادبیات، ما هر دو پراکندگی خطی قطعه ای از فضای رگرسیون و نیز مدل های خطی در هر منطقه با استفاده از روش های بسیار مرتبه دوم مرتبه، یعنی روش های نیوتن-رافسون یاد می گیریم. از این رو ما با استفاده از مدلهای خطی قطعه ای از مسائل به خوبی شناخته شده جلوگیری می کنیم، در حالی که هر دو مرزهای منطقه و همچنین مدل های خطی در هر منطقه با استفاده از روش های مرتبه دوم آموزش دیده اند، ما عملکرد قابل توجهی نسبت به وضعیت هنر ما دستاوردهای ما را بر روی مجموعه داده های معروف شناخته شده نشان می دهیم و نتایج عملکرد را در یک توالی فردی تضمین می کنیم که بدون هیچ گونه فرضیه آماری نگهداری می شود. از این رو، الگوریتم های معرفی شده مسائل پیچیدگی محاسباتی را که در برنامه های کاربردی واقعی در معرض دید عموم قرار می گیرند، در حالی که عملکرد تضمین شده برتر را در یک حس قوی به دست می دهند.