在线学习算法综述

• 作者: 唐斯琪 潘志松 胡谷雨 邱俊洋
• 来源期刊: 数据采集与处理
• 学科: 工学
• 关键词: 在线学习 核 优化理论 概念漂移 深度学习
• 年，卷（期）: 2016,（6）
• 页码范围: 1067-1082
• 页数: 16页
• 分类号: TP391
• 字数: 17342字
• 语种: 中文

摘要

随着信息技术的迅猛发展，尤其是互联网行业的广泛应用，越来越多的领域出现了对海量、高速到达的数据实时处理需求。如何从浩瀚的“数据海洋”中挖掘有用的知识变得尤为重要。传统批处理模式的机器学习算法在面临大数据时变得力不从心，而在线学习通过流式计算框架，在内存中直接对数据实时运算，为大数据的学习提供了有力的工具，这类在线学习框架有望应对大数据背景下机器学习任务面临的困境与挑战。本文总结了经典和目前主流的在线学习算法，主要包括：（1）在线线性学习算法；（2）基于核的在线学习算法；（3）其他经典的在线学习算法；（4）在线学习算法的优化理论。本文介绍在线学习与深度学习结合方法的研究现状，探讨在线学习算法研究中的关键问题与应用场景，最后展望了在线学习下一步的研究方向。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	胡谷雨	解放军理工大学指挥信息系统学院	84	632	13.0	21.0
2	潘志松	解放军理工大学指挥信息系统学院	47	385	9.0	17.0
3	唐斯琪	解放军理工大学指挥信息系统学院	1	15	1.0	1.0
4	邱俊洋	解放军理工大学指挥信息系统学院	2	17	2.0	2.0