特徴進化可能ストリームによる記憶適合学習【JST・京大機械翻訳】

Hou Bo-Jian; Yan Yu-Hu; Zhao Peng; Zhou Zhi-Hua

プレプリント

J-GLOBAL ID：202202211970092990 整理番号：21P0040773

特徴進化可能ストリームによる記憶適合学習【JST・京大機械翻訳】

Storage Fit Learning with Feature Evolvable Streams

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2020年07月22日プレプリントサーバーでの情報更新日： 2021年02月23日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

特徴進化学習は,古い特徴が消え,ストリームで学習するとき,新しい特徴が出現する近年,広く研究されている。従来の方法は,通常,ラベルが各時間ステップで予測後に明らかにされると仮定する。しかし,実際には,この仮定は保持されないが,ほとんどの時間ステップでラベルは与えられない。良い解法は,オンラインモデルの精密化を助けるために,以前の類似したデータを利用するために,多様体正則化の技術を活用することであった。それにもかかわらず,この手法は,大きなボリュームに順次到着するストリームによる学習において不可能なすべての以前のデータを保存する必要がある。したがって,それらの部分を貯蔵するバッファが必要である。異なるデバイスが,異なる貯蔵予算を持つかもしれないことを考慮して,学習アプローチは,貯蔵予算限界に柔軟であるべきである。本論文では,特徴進化に稀に提供されるラベルの課題を組込む,ストレージ-Fit特徴-進化可能ストリーミング学習(SF ̄2EL)の新しい設定を提案した。このフレームワークは,ラベルなしデータで特徴進化可能なストリームで学習するとき,異なるストレージ予算にその挙動に適合することができる。さらに,理論的および経験的結果は,著者らのアプローチが,元の特徴進化学習のメリットを保存でき,すなわち,常に最良のベースラインを追跡でき,従って,任意の時間ステップで良好に機能できることを検証した。【JST・京大機械翻訳】

, , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能

, ,

前のページに戻る