面向大数据流的半监督在线多核学习算法

• 作者: 张钢 王春茹 谢晓珊 黄英
• 来源期刊: 智能系统学报
• 学科: 工学
• 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
• 年，卷（期）: 2014,（3）
• 页码范围: 355-363
• 页数: 9页
• 分类号: TP18
• 字数: 9424字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-4785.201403067

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。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张钢	广东工业大学自动化学院	23	70	5.0	7.0
2	黄英	广东工业大学自动化学院	18	91	7.0	9.0
3	王春茹	广东工业大学自动化学院	13	228	7.0	13.0
4	谢晓珊	广东工业大学自动化学院	1	11	1.0	1.0