.png){kind=icon}
返回
Online Updating Composite Quantile Regression for Streaming Data
.png){kind=icon}
PRE
AI
DOI：10.1002/sam.70047.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据流具有高速和高容量的特点，对实时数据分析构成了重大挑战。在线学习方法已成为高效应对这些挑战日益突出的方法。本文考虑了一种用于复合分位数回归的在线可再生算法，该算法仅需保留历史数据中的关键信息，并利用当前可访问数据更新汇总统计量，以获得可再生估计量。所提出的方法在理论上被证明与从整个数据集中得出的oracle估计量渐近等价，在计算和内存效率方面具有优势。与以往对批量数量或数据方差施加约束的方法不同，我们的方法不受这些因素的约束。同时，数值模拟和真实数据集上的实验表明，我们的估计量不仅在处理同质和异质数据方面优于现有方法，而且在各种场景下也比传统的分位数回归表现更好。这些发现突显了我们的方法适用于现实世界的数据流应用。
Keyword:
composite quantile regression
heterogeneity
online updating learning
streaming data
期刊
S
IF:
3.6
论文数:
33
被引数:
0
机构
暂无机构信息
引用论文
Online Feature Selection (OFS) with Accelerated Bat Algorithm (ABA) and Ensemble Incremental Deep Multiple Layer Perceptron (EIDMLP) for big data streams.png)
JOURNAL OF BIG DATA
OAAI
JOURNAL OF BIG DATAIF6.4
OAAI分享收藏分享收藏分享收藏分享收藏
Asynchronous dual-pipeline deep learning framework for online data stream classification面向在线数据流分类的异步双流水线深度学习框架OAAI
OAAI分享收藏分享收藏
查看更多内容