Vago Mundo

尘世闲游,听凭风引

    文献阅读:A Review of Online Algorithms in Open Feature Space

    开放特征空间的在线学习

    link: https://www.ijcai.org/proceedings/2023/0745.pdf.

    文献阅读:Online Learning from Capricious Data Streams:A Generative Approach

    任意数据流的在线学习

    link: https://par.nsf.gov/servlets/purl/10134369

    文献解读:Stochastic Gradient Trees

    增量构建决策树的方法

    原文:http://proceedings.mlr.press/v101/gouk19a/gouk19a.pdf 这篇文章介绍了一种增量式学习决策树的方法:随机梯度树 (Stochastic Gradient Tree, SGT),也就是根据随机梯度去更新决策树。数据流场景往往要求模型对到来的数据立刻进行预测,而不是积攒了大量数据后再训练。 构造决策树 给定一个损失函数$\ell(y,...

    随笔:向量逼近的收敛性

    有限维到无穷维

    假设对于一个$d$维欧几里得空间,现在有$n$个向量组成的线性无关组$\pmb x_1,\cdots, \pmb x_n,n<d$,去逼近一个向量$\pmb y$,也就是 \[\min_{\pmb\alpha}\quad\bigg\Vert\sum_{i=1}^n\alpha_i\pmb x_i-\pmb y\bigg\Vert^2\] 将$\pmb X$设为$n\times d$...

    Online Learning with Kernels

    文献解读

    模型从线性拓展到非线性通常有两个方法,一个是加入非线性激活函数,构成神经网络;一个是核技巧,将数据投射到高维空间实现非线性。在这里,我们将介绍核方法如何应用在在线学习场景中。 首先我们看核函数相关的知识,在这里我们研究的是在再生核希尔伯特空间(RKHS)$\mathcal{H}$中的函数$f:\mathcal{X}\to\mathbb{R}$。这表示有一个核函数$k:\mathcal{X}...

    Online Deep Learning from Doubly-Streaming Data

    文献解读

    在之前的文献解读中,我们介绍了FESL这一学习范式,它通过一个很短的重叠区实现模型复用,从特征空间$S_1$到不相交特征空间$S_2$进行在线学习,然而这已经是2017年的成果了。 在这里,我们将介绍该范式的最新成果,发表在2022年的ACM Multimedia上的Online Deep Learning from Doubly-Streaming Data。作者(作者之一就是上一篇...

    Online Deep Learning:Learning Deep Neural Networks on the Fly

    文献阅读

    原文链接:https://arxiv.org/pdf/1711.03705.pdf. Introduction 在这篇文章中,作者希望将深度学习应用到在线学习的场景中,称其为“在线深度学习”。在线深度学习的挑战主要就是如何为特定任务指定网络深度: 网络太深:由于在线学习的特性,每次只得到一个样本,使得神经网络很难收敛,以及梯度消失问题; 网络太浅:模型的表达能力很弱,极限的场...

    基于重构误差的属性图异常检测模型综述

    Introduction 图异常检测即在图结构上进行异常检测任务。随着图神经网络在实际应用中受到欢迎,图异常检测也在诈骗预防等领域收到重视。如果只考虑图节点的异常检测,那么在静态图、静态属性图和动态属性图中,静态属性图节点的异常检测受到了更多的研究:它的复杂度介于静态图和动态属性图之间。 受自编码器的启发,我们常常会将重构误差作为异常得分进行异常检测。因此,即使数据结构变成了图数据,很多...

    文献解读:Learning with Feature Evolvable Streams

    特征演化学习的开篇论文

    在《Learning with Feature Evolvable Streams》一文中,作者提出了一种在线学习场景,即随着时间推移,流数据的特征会发生变化,如下图所示: 该场景在现实世界中同样存在,比如当多个传感器工作的时候,存在一些传感器故障和失灵,那么一些新的传感器会被启用。在这样的场景对数据进行学习的过程被称作特征演化流数据学习 (Feature Evolvable Stre...

    文献解读:Deep Anomaly Detection on Attributed Networks

    异常检测模型DOMINANT

    原文地址:https://epubs.siam.org/doi/epdf/10.1137/1.9781611975673.67. Introduction 属性网络无处不在,是现代信息基础设施的一个关键组成部分,其中额外的节点属性补充了知识发现中的原始网络结构。近年来,属性网络上的异常节点的检测受到了越来越多的研究关注,在网络安全、金融、医疗保健等各种高影响领域得到了广泛的应用。 过去...