Machine-Learning
基於流數據的分類器增量在線學習技術
哪些可能是面對這個抽象問題的好技術？
您有一個連續信號的數據流，作為來自物理傳感器的數據流。該信號具有真實（離散）值，沒有屬性；可能會提取成癮特徵（例如，功率、自相關、熵）。您可以將有限集中的一個標籤分配給信號的窗口。讓這個標籤成為訓練標籤。您必須選擇窗口的起點和終點以及窗口標籤。
任務是在線分類下一個窗口，就像接收到信號一樣。
我要求一種增量算法，因為它應該在給定更多訓練標籤的情況下提高其檢測性能。但即使只有一個訓練標籤，它也必須能夠分類。
如果由於 windows 邊界檢測而導致問題變得太難，假設您可以將它們的大小固定為一個較小的常數。因此，該算法對信號的小片段進行分類，然後將具有相同標籤的相鄰片段合併。如果您使用這種簡化的方法，請說明為什麼它是合理的。
如果這是一個二元分類問題，那麼應該可以應用在線 SVM，例如Bordes, A. 和 Bottou, L.，“The Huller：一個簡單而高效的在線 SVM”，ECML 2005。
如果這是一個非二進制分類（即超過 2 個可能的標籤），您可以查看內核遞歸最小二乘技術。它們是為在線回歸而設計的，但它們在在線分類方面也表現得很好。這是一種基本的 KRLS 算法：Y. Engel、S. Mannor 和 R. Meir，“The Kernel Recusrive Least Squares Algorithm”，IEEE Trans. 信號處理，2004 年。
這兩種方法都需要固定的窗口大小來比較相同大小的輸入向量。