Biblioteca32.423 documentos en línea

Artículo

Adaptive Online Sequential ELM for Concept Drift TacklingELM secuencial adaptativo en línea para el abordaje de la deriva conceptual

Resumen

Un método de aprendizaje automático debe adaptarse a los cambios del entorno a lo largo del tiempo. Estos cambios se conocen como deriva de concepto. En este trabajo, proponemos un método para abordar la deriva de conceptos como una mejora de la Máquina de Aprendizaje Extremo Secuencial en Línea (OS-ELM) y la Mejora Constructiva OS-ELM (CEOS-ELM) mediante la adición de la capacidad de adaptación para los problemas de clasificación y regresión. El esquema se denomina OS-ELM adaptativo (AOS-ELM). Es un esquema de clasificador único que funciona bien para manejar la deriva real, la deriva virtual y la deriva híbrida. El AOS-ELM también funciona bien para la deriva repentina y el tipo de cambio de contexto recurrente. El esquema es un método unificado simple implementado en líneas de código sencillas. Evaluamos AOS-ELM en problemas de regresión y clasificación utilizando conjuntos de datos públicos de deriva conceptual (SEA y STAGGER) y otros conjuntos de datos públicos como MNIST, USPS e IDS. Los experimentos muestran que nuestro método da un valor kappa más alto en comparación con el conjunto multiclasificador ELM. Aunque en la práctica AOS-ELM no necesita aumentar los nodos ocultos, abordamos algunas cuestiones relacionadas con el aumento de los nodos ocultos, como la condición de error y los valores de rango. Proponemos tomar el rango de la matriz pseudoinversa como parámetro indicador para detectar la condición de "underfitting".

  • Tipo de documento:
  • Formato:pdf
  • Idioma:Inglés
  • Tamaño: Kb

Cómo citar el documento

Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.

Este contenido no est� disponible para su tipo de suscripci�n

Información del documento