论文部分内容阅读
基于凸优化中的对偶理论，提出了一种具有遗忘特性的在线学习算法框架。其中，Hinge函数的Fenehel对偶变换是将基本学习问题由批量学习转化为在线学习的关键。新的算法过程是通过以不同方式提升含有约束变量的对偶问题实现的：（1）梯度提升；（2）贪婪提升。回顾了以往的相关研究工作，并指出了与之的区别与联系。人造数据集和真实数据集上的实验结果证实了算法框架的有效性。算法可以很好地处理数据流中的分类面漂移问题，为设计和分析新的在线学习算法提供了一个新的思路。