特征演化的置信-加权学习方法

与传统的固定特征空间在线学习相比，特征进化学习通常假设特征不会以任何方式消失或出现，但随着采集数据特征的硬件设备的更换，旧特征消失，新特征出现。然而，现有的特征演化学习方法只利用数据流的一阶信息，而忽略了二阶信息，可以挖掘特征之间的相关性，显著提高分类性能，为此提出了一种基于信念加权的特征演化学习算法，引入二阶置信加权学习算法对数据流预测模型进行更新。然后，为了充分利用学习到的模型，在重叠期间学习线性映射以恢复旧特征，同时，使用新特征学习新的预测模型。然后，使用两种集成方法来使用这两个模型。实验结果表明，该算法优于现有的特征进化学习算法