Key points are not available for this paper at this time.
O aprendizado online é crítico para lidar com fluxos de dados complexos em aplicações relacionadas a Big Data. Este estudo explora um novo problema de aprendizado online onde tanto os recursos quanto os rótulos estão incompletos. Tal incompletude representa um desafio crítico na determinação da relação latente entre recursos e rótulos incompletos. Infelizmente, os métodos existentes de aprendizado online consideram apenas alguns casos de espaços de recursos incompletos, como fluxos de dados trapezoidais, evolutivos e caprichosos, limitando sua aplicabilidade a este problema. Para preencher essa lacuna, este estudo propõe um novo algoritmo de Aprendizado Online para Fluxos de Dados com Recursos e Rótulos Incompletos (OLIFL). O OLIFL não impõe restrições sobre padrões de mudança do espaço de recursos e não requer que todas as instâncias sejam rotuladas com ideias de dupla face. Primeiro, o OLIFL explora a informatividade de recursos individuais para atualizar o classificador, mantendo dinamicamente o espaço global de recursos e atualizando a matriz de informatividade. Em segundo lugar, estima a confiança dos rótulos de instâncias não rotuladas para controlar seus efeitos negativos, limitando o limite superior de erro. Extensos experimentos em conjuntos de dados de referência foram conduzidos em cinco cenários: três espaços de recursos incompletos (trapezoidais, evolutivos e caprichosos), e dois rótulos incompletos (apenas rótulos ausentes e ausência de ambos, recursos e rótulos). Além disso, exploramos a sensibilidade do modelo aos parâmetros, sua usabilidade e eficiência de resposta ao lidar com desvios de conceito. Os resultados mostram que o OLIFL supera significativamente seus rivais. Além disso, usamos o OLIFL para classificar uma tarefa de revisão de filme como verificação de aplicação real.
Você et al. (Quarta,) estudaram esta questão.