.png){kind=icon}
返回
Online Asynchronous Learning over Streaming Nominal Data
.png){kind=icon}
OA
AI
DOI：10.3390/bdcc9070177.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在线学习在现实世界应用中日益普及，其中数据流通常包含异构特征类型——既有名义特征又有数值特征——且标签可能与特征不同步到达。然而，大多数现有在线学习方法假设数据类型同质且特征与标签同步到达。在实践中，数据流通常是异构的，并表现出标签反馈不同步，这使得这些方法不足。为解决这些挑战，我们提出了一种新型算法，称为流名义数据上的在线异步学习（OALN），它将异构数据映射到连续的潜在空间，并利用模型池和提示机制来有效管理异步标签。具体而言，OALN基于三个核心原则：（1）它利用潜在空间中的高斯混合copula来保持类别结构和数值关系，从而解决混合特征类型带来的编码和关系学习挑战；（2）它通过条件协方差矩阵执行自适应插补，以无缝处理随机缺失值和特征漂移，同时增量更新copula参数以适应特征空间的动态变化；（3）它整合了模型池和提示机制以高效处理异步标签反馈。我们在十二个真实数据集上评估了OALN；在缺失率分别为10%和50%的情况下，平均累积错误率分别为23.31%和28.28%，平均AUC分数分别为0.7895和0.7433，这些结果在比较算法中表现最佳。理论分析和广泛的实证研究均证实了所提出方法的有效性。
Keyword:
Online learning
Asynchronous label feedback
Heterogeneous data
Gaussian mixture copula
Model pool
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
B
IF:
4.4
论文数:
1.3K
被引数:
2.4K
机构
引用论文
Statistical inference on the cumulative distribution function using judgment post stratification基于判断后分层的累积分布函数统计推断
.png){kind=icon}
PREAI
分享收藏分享收藏Aspect-Based Sentiment Analysis of Patient Feedback Using Large Language Models使用大型语言模型对患者反馈进行基于方面的情感分析
OAAI
OAAI分享收藏分享收藏
查看更多内容