.png){kind=icon}
返回
Supervised Learning from Data Streams: An Overview and Update
.png){kind=icon}
PRE
AI
DOI：10.1145/3737279.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
关于数据流背景下的机器学习的文献是巨大的，而且还在不断增长。这不仅表明了持续的兴趣，而且表明了对这一领域新发展的综合需求。在这里，我们重新制定了监督数据流学习的定义，同时考虑了当代概念漂移和时间依赖性。有了这个，对什么构成监督数据流学习任务进行新的讨论; 包括持续和强化学习; 突出主要的假设和约束。我们对方法和方法进行了新的重新考虑，以使其适合现代环境。但是，除了对最先进的流方法进行分类之外，我们还重新介绍了什么是监督流学习，我们在这里的重点是对设置和算法设置的调查。我们的主要目标是将数据流上的监督学习的理论和实践拉近在一起。我们得出的结论是，实际的流学习并不强制要求在线学习制度。在现代环境中，应根据实际数据到达模式，资源限制以及最大的鲁棒性和可信性来选择和开发学习机制。最后，我们提出了一系列有关此效果的建议。
Keyword:
supervised data-stream learning
concept drift
temporal dependence
online learning
algorithmic settings
期刊
IF:
28
论文数:
2.4K
被引数:
3.5W
机构
暂无机构信息
.png){kind=icon}
