结合遗忘特性的多任务多核在线学习算法

摘要：

对于数据流的处理,多任务多核学习已逐渐成为在线学习算法研究的热点,它在一定程度上可提高数据流预测的准确性.多核方法尽可能使用最少的核函数得到最好的实验效果,当数据量增大、训练模型稳定时,通过阈值限定的方法对核函数进行遗忘,从而减少基本核函数的使用个数,使得计算更加简单;对于算法的优化,通过引入一个遗忘变量,从对偶的角度来进一步优化权重更新过程,这里的权重指多个任务的共有特征权重和每个任务间的特有权重,以提高算法的收敛速度.实验部分对核函数的选取进行了较为详细的分析,通过对UCI数据集和实际的机场客流量数据集进行分析,证明该本算法的合理性和高效性.

关键词：多任务学习、多核学习、在线学习、流数据

所属期刊栏目：31

分类号：TP181(自动化基础理论)

资助基金：国家重点研究发展计划涉密项目2016QY01W0200;国家自然科学基金61572091;重庆市产业类重点主题专项cstc2017zdcy-zdyfx0091;重庆市人工智能技术创新重大主题专项重点研发项目cstc2017rgzn-zdyfx0022

在线出版日期：2020-01-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：849-860