在计算机科学中,在线机器学习是的方法的机器学习,其中在连续的顺序数据变为可用,并且用于更新对于在每一步未来数据最好的预测,而不是其产生由学习的最佳预测批次学习技术一次对整个训练数据集。在线学习是机器学习领域中的一种常用技术,在该领域中,在计算上无法训练整个数据集是不可行的,因此需要核心算法。它也用于算法必须动态适应数据中的新模式的情况下,或者当数据本身随时间而变化时(例如,股价预测)。在线学习算法可能易于遭受灾难性干扰,这一问题可以通过增量学习方法来解决。

VIP内容

在当前大规模数据检索任务中,学习型哈希方法能够学习紧凑的二进制编码,在节省存储空间的同时能快速地计算海明空间内的相似度,因此近似最近邻检索常使用哈希的方式来完善快速最近邻检索机制。对于目前大多数哈希方法都采用离线学习模型进行批处理训练,在大规模流数据的环境下无法适应可能出现的数据变化而使得检索效率降低的问题,提出在线哈希方法并学习适应性的哈希函数,从而在输入数据的过程中连续学习,并且能实时地应用于相似性检索。首先,阐释了学习型哈希的基本原理和实现在线哈希的内在要求;接着,从在线条件下流数据的读取模式、学习模式以及模型更新模式等角度介绍在线哈希不同的学习方式;而后,将在线学习算法分为六类:基于主-被动算法、基于矩阵分解技术、基于无监督聚类、基于相似性监督、基于互信息度量和基于码本监督,并且分析这些算法的优缺点及特点;最后,总结和讨论了在线哈希的发展方向。

http://www.joca.cn/CN/abstract/abstract24489.shtml

成为VIP会员查看完整内容
0
8
Top