面向大数据流的半监督在线多核学习算法

摘要：

在机器学习中，核函数的选择对核学习器性能有很大的影响，而通过核学习的方法可以得到有效的核函数。提出一种面向大数据流的半监督在线核学习算法，通过当前读取的大数据流片段以在线方式更新当前的核函数。算法通过大数据流的标签对核函数参数进行有监督的调整，同时以无监督的方式通过流形学习对核函数参数进行修改，以使得核函数所体现的等距面尽可能沿着数据的某种低维流形分布。算法的创新性在于能同时进行有监督和无监督的核学习，且不需要对历史数据进行再次扫描，有效降低了算法的时间复杂度，适用于在大数据和高速数据流环境下的核函数学习问题，其对无监督学习的支持有效解决了大数据流中部分标记缺失的问题。在MOA生成的人工数据集以及UCI大数据分析的基准数据集上进行算法有效性的评估，其结果表明该算法是有效的。

关键词：大数据流、在线多核学习、流形学习、数据依赖核、半监督学习

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金资助项目81373883．

在线出版日期：2014-07-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：355-363