کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6939033 | 1449968 | 2018 | 31 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Passive-Aggressive online learning with nonlinear embeddings
ترجمه فارسی عنوان
یادگیری آنلاین غیرمستقیم و تهاجمی با جاسازی غیرخطی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
یادگیری آنلاین، توابع غیرخطی منفعل-تهاجمی، طبقه بندی باینری، تعبیه غیر خطی، 00-01، 99-00،
ترجمه چکیده
امروزه تقاضای در حال افزایش برای تکنیک های یادگیری ماشین وجود دارد که می تواند با مشکلات مواجه شود که نمونه ها به عنوان یک جریان یا در زمان واقعی تولید می شوند. در این سناریو، یادگیری آنلاین قادر به یادگیری مدل از اطلاعات است که به طور مداوم می آید. سازگاری، کارایی و مقیاس پذیری تکنیک های یادگیری آنلاین در سال های گذشته با توجه به افزایش روزافزون داده ها به دست آورده شده است. در این مقاله، ما یک رویکرد طبقه بندی جدید باینری مبتنی بر توابع نقشه برداری غیر خطی تحت چارچوب یادگیری آنلاین پیشنهاد می کنیم. مشکل بهینه سازی غیر محدب است که بوجود می آید به سه مسئله محدب مختلف تقسیم می شود که با استفاده از آموزش آنلاین غیرفعال آنلاین حل می شود. ما هم سازگاری و تعمیم مدل ما را از طریق آزمایش های مختلف در مقایسه با تکنیک های پیشرفته هنر ارزیابی می کنیم. ما نتایج قابل توجهی را در چندین مجموعه داده به طور گسترده ای که قبلا توسط جامعه یادگیری آنلاین مورد استفاده قرار گرفته، بهبود می بخشیم.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
Nowadays, there is an increasing demand for machine learning techniques which can deal with problems where the instances are produced as a stream or in real time. In these scenarios, online learning is able to learn a model from data that comes continuously. The adaptability, efficiency and scalability of online learning techniques have been gaining interest last years with the increasing amount of data generated every day. In this paper, we propose a novel binary classification approach based on nonlinear mapping functions under an online learning framework. The non-convex optimization problem that arises is split into three different convex problems that are solved by means of Passive-Aggressive Online Learning. We evaluate both the adaptability and generalization of our model through several experiments comparing with the state of the art techniques. We improve significantly the results in several datasets widely used previously by the online learning community.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 79, July 2018, Pages 162-171
Journal: Pattern Recognition - Volume 79, July 2018, Pages 162-171
نویسندگان
Javier Jorge, Roberto Paredes,