基于增量切空间校准的自适应流式大数据学习算法

• 全文链接
• 请求原文

作   者：

谈超;  吉根林;  赵斌; 

作者机构：

南京师范大学计算机科学与技术学院; 

关键词：

流形学习;  流式大数据;  增量切空间;  自适应;  非线性维数约减; 

期刊名称：

计算机研究与发展

基金项目：

云计算环境下顾及用户关系的手机用户时空轨迹模式挖掘方法研究
高维流式大数据的增量特征提取算法研究

i s s n：

1000-1239

年卷期：

2017 年 11 期

页   码：

2547-2557

摘   要：

流形学习是为了寻找高维空间中观测数据的低维嵌入.作为一种有效的非线性维数约减方法,流形学习被广泛应用于数据挖掘、模式识别等机器学习领域.然而,对于样本外点学习、增量学习和在线学习等流形学习方法,面对流式大数据的学习算法时间效率较低.为此提出了一种新的基于增量切空间的自适应流式大数据学习算法(self-adaptive streaming big data learning algorithm based on incremental tangent space alignment,SLITSA),该算法采用增量PCA的思想,增量地构造子空间,能在线或增量地检测数据流中的内在低维流形结构,在迭代过程中构建新的切空间进行调准,保证了算法的收敛性并降低了重构误差.通过人工数据集以及真实数据集上的实验表明:该算法分类精度和时间效率优于其他学习算法,可推广到在线或流式大数据的应用当中.