Boosted adaptive filters

ما مفهوم تقویت یادگیری ماشین را به ادبیات پردازش سیگنال سازگار معرفی می کنیم. در چارچوب ما، ما چندین الگوریتم فیلتر سازگاری دارد، به عنوان مثال، یادگیرندگان ضعیف، که به صورت موازی در یک کار مشترک مانند مقادیر، طبقه بندی، رگرسیون یا فیلتر کردن اجرا می شوند. به طور خاص، مرزهای نظری را برای بهبود عملکرد الگوریتم های پیشنهاد شده ما بر روی روش های فیلتر سازمانی معمولی تحت برخی از فرض های به طور گسترده استفاده می شود. ما یک رابطه ذاتی را از لحاظ افزایش، بین ترکیب متقابل متخصصان و الگوریتم های استفاده مجدد از داده ها نشان می دهیم. علاوه بر این، ما یک الگوریتم تقویت بر اساس به روز رسانی تصادفی را معرفی می کنیم که به طور قابل توجهی سریعتر از روش های تقویت متعارف و سایر انواع الگوریتم های پیشنهادی ما است، در حالی که دستیابی به افزایش عملکرد افزایش یافته است. از این رو، روش به روزرسانی تصادفی به طور خاص برای داده های جریان سریع و با حجم بالا کاربرد دارد. به طور خاص، ما الگوریتم های رگرسیون خطی و مکانیکی خطی مبتنی بر مربع و حداقل مربع مبتنی بر مربع را در یک محیط متشکل از کارشناسان مورد بررسی قرار می دهیم و انواع متعددی از این روش های اقتباس شناخته شده را ارائه می دهیم. علاوه بر این، ما محدودیت های نظری را برای پیچیدگی محاسباتی الگوریتم های پیشنهادی ارائه می کنیم. ما نتایج قابل توجهی را در رابطه با میانگین خطای مربع بر دانش آموزان پایه نشان می دهیم که از طریق مجموعه ای گسترده از مجموعه داده های واقعی و نمونه های شبیه سازی شده است.