Passive-Aggressive online learning with nonlinear embeddings

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.