面向大数据流的半监督在线多核学习算法.pdf

《面向大数据流的半监督在线多核学习算法.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、第９卷第３期智能系统学报Ｖｏｌ．９№．３２０１４年６月ＣＡＡＩＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔＳｙｓｔｅｍｓＪｕｎ．２０１４ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７３-４７８５．２０１４０３０６７网络出版地址：ｈｔｔｐ：／／ｗｗｗ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｏｉ／１０．３９６９／ｊ．ｉｓｓｎ．１６７３４７８５．２０１４０３０６７．ｈｔｍｌ面向大数据流的半监督在线多核学习算法张钢，谢晓珊，黄英，王春茹（广东工业大学自动化学院，广东广州５１０００６）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

2、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

3、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；半监督学习中图分类号：ＴＰ１８文献标志码：Ａ文章编号：１６７３-４７８５（２０１４）０３-０３５５-０９中文引用格式：张钢，谢晓珊，黄英，等．面向大数据流的半监督在线多核学习算法［J］．智能系统学报，２０１４，９（３）：３５５-３６３．英文引用格式：ZHANGGang，XIEXiaoxian，HUANGYing，etal．Anonlinemulti-kernellearningalgorith

4、mforbigdata［J］．CAAITransactionsonIntelligentSystems，２０１４，９（３）：３５５-３６３．Anonlinemulti-kernellearningalgorithmforbigdataＺＨＡＮＧＧａｎｇ，ＸＩＥＸｉａｏｓｈａｎ，ＨＵＡＮＧＹｉｎｇ，ＷＡＮＧＣｈｕｎｒｕ（ＳｃｈｏｏｌｏｆＡｕｔｏｍａｔｉｏｎ，ＧｕａｎｇｄｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｇｕａｎｇｚｈｏｕ５１０００６，Ｃｈｉｎａ）Abstract：Ｉｎｍａｃｈｉｎｅｌｅａｒｎｉｎｇ，ａｐｒｏｐｅｒｋｅ

5、ｒｎｅｌｆｕｎｃｔｉｏｎａｆｆｅｃｔｓｍｕｃｈｏｎｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｔａｒｇｅｔｌｅａｒｎｅｒｓ．Ｃｏｍｍｏｎｌｙａｎｅｆｆｅｃｔｉｖｅｋｅｒｎｅｌｆｕｎｃｔｉｏｎｃａｎｂｅｏｂｔａｉｎｅｄｔｈｒｏｕｇｈｋｅｒｎｅｌｌｅａｒｎｉｎｇ．Ｗｅｐｒｅｓｅｎｔａｓｅｍｉ－ｓｕｐｅｒｖｉｓｅｄｏｎｌｉｎｅｍｕｌｔｉｐｌｅｋｅｒ-ｎｅｌａｌｇｏｒｉｔｈｍｆｏｒｂｉｇｄａｔａｓｔｒｅａｍａｎａｌｙｓｉｓ．Ｔｈｅａｌｇｏｒｉｔｈｍｌｅａｒｎｓａｋｅｒｎｅｌｆｕｎｃｔｉｏｎｔｈｒｏｕｇｈａｎｏｎｌｉｎｅｕｐｄａｔｅｐｒｏｃｅｄｕｒｅｂｙ

6、ｒｅａｄｉｎｇｃｕｒｒｅｎｔｓｅｇｍｅｎｔｓｏｆａｂｉｇｄａｔａｓｔｒｅａｍ．Ｔｈｅａｌｇｏｒｉｔｈｍａｄｊｕｓｔｓｔｈｅｐａｒａｍｅｔｅｒｓｏｆｃｕｒｒｅｎｔｌｙｌｅａｒｎｅｄｋｅｒｎｅｌｆｕｎｃｔｉｏｎｉｎａｓｕｐｅｒｖｉｓｅｄｍａｎｎｅｒａｎｄｍｏｄｉｆｉｅｓｔｈｅｋｅｒｎｅｌｔｈｒｏｕｇｈｕｎｓｕｐｅｒｖｉｓｅｄｍａｎｉｆｏｌｄｌｅａｒｎｉｎｇ，ｓｏａｓｔｏｍａｋｅｔｈｅｃｏｎｔｏｕｒｓｕｒ-ｆａｃｅｓｏｆｔｈｅｋｅｒｎｅｌａｌｏｎｇｗｉｔｈｓｏｍｅｌｏｗｄｉｍｅｎｓｉｏｎａｌｉｔｙｍａｎｉｆｏｌｄｉｎｔｈｅｄａｔａｓｐａｃ

7、ｅａｓｆａｒａｓｐｏｓｓｉｂｌｅ．Ｔｈｅｎｏｖｅｌｔｙｉｓｔｈａｔｉｔｐｅｒｆｏｒｍｓｓｕｐｅｒｖｉｓｅｄａｎｄｕｎｓｕｐｅｒｖｉｓｅｄｌｅａｒｎｉｎｇａｔｔｈｅｓａｍｅｔｉｍｅ，ａｎｄｓｃａｎｓｔｈｅｔｒａｉｎｉｎｇｄａｔａｏｎｌｙｏｎｃｅ，ｗｈｉｃｈｒｅｄｕｃｅｓｔｈｅｃｏｍｐｕｔａｔｉｏｎａｌｃｏｍｐｌｅｘｉｔｙａｎｄｉｓｓｕｉｔａｂｌｅｆｏｒｔｈｅｋｅｒｎｅｌｌｅａｒｎｉｎｇｔａｓｋｓｉｎｂｉｇｄａｔａｓｅｔｓａｎｄｈｉｇｈｓｐｅｅｄｄａｔａｓｔｒｅａｍｓ．Ｔｈｉｓａｌｇｏｒｉｔｈｍ’ｓｓｕｐｐｏｒｔｔｏｔｈｅｕｎｓｕｐｅｒ

8、ｖｉｓｅｄｌｅａｒｎｉｎｇｅｆｆｅｃｔｉｖｅｌｙｓｏｌｖｅｓｔｈｅｐｒｏｂｌｅｍｏｆｌａｂｅｌｍｉｓｓｉｎｇｉｎｂｉｇｄａｔａｓｔｒｅａｍｓ．Ｔｈｅｅｖａｌｕａｔｉｏｎｒｅｓｕｌｔｓｆｒｏｍｔｈｅｓｙｎｔｈｅｔｉｃｄａｔａｓｅｔｓｇｅ