25、在线GRNN集成用于演化数据流回归及宽神经网络结构用于类别增量学习

在线GRNN集成用于演化数据流回归及宽神经网络结构用于类别增量学习

在处理数据流问题时，数据的变化是一个关键挑战。数据变化可分为虚拟变化和真实变化。若仅特征变量发生变化，这种变化称为虚拟变化；若决策边界或类别比例不稳定，则称为真实变化。

在线GRNN集成用于演化数据流回归

在解决数据流问题方面，集成方法是一种很有前景的途径。不过，目前文献中用于数据流分类任务的集成方法众多，但用于回归任务的却较少。为解决这一问题，提出了一种在时变环境下进行回归分析的新方法。

相关工作

• Bagging和Boosting机制 ：有研究提出了在线版本的Bagging和Boosting机制，可应用于分类和回归任务。
• 带权重的集成算法 ：部分算法中，集成的每个组件都有自己的权重，预测结果是弱学习器输出的加权平均值，组件的权重会根据误差进行调整。
• 模型的两阶段自适应 ：一些方法提出了模型对变化环境的两阶段自适应，第一阶段调整局部模型，第二阶段调整集成的权重。
• 回归树集成 ：包括将回归树的叶子节点纳入线性回归模型，以及应用选项树、基于Hoeffding的回归树和随机森林等。
• 流式规则学习算法 ：如Adaptive Model Rules算法（AMRules），使用Page - Hinkley测试来应对环境变化。
• 高斯过程近似方案 ：