版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認(rèn)領(lǐng)
文檔簡介
1、隨著信息技術(shù)的飛速發(fā)展和互聯(lián)網(wǎng)應(yīng)用的日益普及,數(shù)據(jù)產(chǎn)生的速度越來越快。傳統(tǒng)的以批量數(shù)據(jù)處理為特點的離線學(xué)習(xí)算法無法適應(yīng)大數(shù)據(jù)場景下流式數(shù)據(jù)的特點。在線學(xué)習(xí)算法能夠持續(xù)不斷地接受數(shù)據(jù),動態(tài)實時地更新模型,適合大規(guī)模和流式數(shù)據(jù)的處理受到了研究者的高度重視,是當(dāng)前機器學(xué)習(xí)領(lǐng)域的熱點問題之一。
在線學(xué)習(xí)算法的研究主要包括三個方面:(1)在線學(xué)習(xí)算法的理論分析;(2)在線學(xué)習(xí)算法應(yīng)用在不同的機器學(xué)習(xí)任務(wù)中;(3)在線學(xué)習(xí)算法的收斂速率。
2、本文圍繞上述問題,從理論分析到具體應(yīng)用對在線學(xué)習(xí)算法進行了比較系統(tǒng)的研究,一方面對已有算法的不足進行改進,一方面對若干未解問題提出新的解決方案。具體而言,本文的創(chuàng)新點如下:
1.ADMM(Alternating Direction Method of Multipliers)是一個通用的優(yōu)化框架,廣泛應(yīng)用于分布式機器學(xué)習(xí)的各種任務(wù)中。為了加速在線ADMM算法,將傳統(tǒng)的在線ADMM算法的遺憾度理論分析從基于輪次的分析拓展到基于梯
3、度變化的分析。論文針對兩種類型的在線ADMM學(xué)習(xí)算法(FTRL-ADMM和PGD-ADMM),分別提出了改進的在線ADMM算法,并給出基于梯度變化的遺憾度分析,證明了提出的算法比已有的算法具有更緊湊的遺憾度上界。
2.ARIMA模型(Autoregressive integrated moving average)是時間序列預(yù)測中廣泛使用的線性模型。然而,現(xiàn)有的關(guān)于ARIMA模型的學(xué)習(xí)算法都是離線學(xué)習(xí)算法且噪音項必須滿足嚴(yán)格的
4、假設(shè)條件,這嚴(yán)重阻礙了ARIMA模型的通用性以及解決海量時間序列預(yù)測問題。因此,本文松弛了關(guān)于ARIMA模型噪音項的假設(shè)并提出了ARIMA模型的在線學(xué)習(xí)算法。通過理論分析證明了提出的ARIMA模型在線學(xué)習(xí)算法能夠趨近于最優(yōu)的ARIMA模型離線學(xué)習(xí)算法。在人工數(shù)據(jù)集和真實數(shù)據(jù)集上進行一系列的驗證,實驗結(jié)果證明了所提出的算法的效率和有效性。
3.近年來,通過在線學(xué)習(xí)求解非負(fù)矩陣分解任務(wù)的NN-PA算法在推薦系統(tǒng)的應(yīng)用上取得了巨大的
5、成功。為了加速NN-PA算法的收斂速度,論文提出了NN-APA算法,利用二階的梯度信息進行每輪更新,利用“專家學(xué)習(xí)”技術(shù)實現(xiàn)在線學(xué)習(xí)任務(wù)的參數(shù)自動調(diào)整。本文給出了新算法的理論分析,并證明了它比NN-PA算法收斂更快。在一系列關(guān)于推薦系統(tǒng)的數(shù)據(jù)集上進行了深度地實驗分析,進一步驗證了新算法的效率和效力。
4.協(xié)同主題回歸(Collaborative Topic Regression,簡稱CTR)模型結(jié)合了概率矩陣分解(probab
6、ilistic matrix factorization簡稱PMF)模型以及主題模型(topic modeling,例如LDA),利用文本信息提升推薦的準(zhǔn)確率。盡管該模型在推薦領(lǐng)域取得了巨大的成功,然而現(xiàn)有的CTR模型推導(dǎo)算法bdi-CTR存在嚴(yán)重的缺陷。首先,bdi-CTR算法是離線算法,無法適應(yīng)流式的數(shù)據(jù)或者現(xiàn)實中的大數(shù)據(jù)場景;其次,bdi-CTR算法首先用LDA計算產(chǎn)品相關(guān)的主題表達,然后把該結(jié)果推送到PMF求解過程中,它忽略了P
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 在線學(xué)習(xí)算法及其應(yīng)用研究.pdf
- 大數(shù)據(jù)下的在線機器學(xué)習(xí)算法研究與應(yīng)用.pdf
- 基于非平衡與在線學(xué)習(xí)的極限學(xué)習(xí)機算法研究與應(yīng)用.pdf
- 在線核學(xué)習(xí)建模算法及應(yīng)用研究.pdf
- 在線半監(jiān)督學(xué)習(xí)理論、算法與應(yīng)用研究.pdf
- 多核學(xué)習(xí)算法與應(yīng)用研究.pdf
- 在線學(xué)習(xí)算法在資產(chǎn)行業(yè)配置中的應(yīng)用.pdf
- 流形學(xué)習(xí)算法研究與應(yīng)用.pdf
- 奇異模型學(xué)習(xí)算法的研究與應(yīng)用.pdf
- 流形學(xué)習(xí)算法的研究與應(yīng)用.pdf
- 多標(biāo)簽分類中在線學(xué)習(xí)算法研究.pdf
- 在線學(xué)習(xí)中的學(xué)習(xí)模型聚類與應(yīng)用研究.pdf
- 群體異常識別在線學(xué)習(xí)算法研究.pdf
- 基于支持向量機的在線學(xué)習(xí)算法研究.pdf
- 在線學(xué)習(xí)算法的加速器設(shè)計研究.pdf
- 基于在線學(xué)習(xí)的運動目標(biāo)跟蹤算法研究.pdf
- 基于特征融合與在線學(xué)習(xí)的行人檢測算法研究與實現(xiàn).pdf
- 學(xué)習(xí)自動機算法與應(yīng)用.pdf
- 在線推薦系統(tǒng)的算法研究及其應(yīng)用.pdf
- 在線掌紋識別算法的研究及應(yīng)用.pdf
評論
0/150
提交評論