یادگیری برخط در فضای ویژگی پویا

امروزه غالب فعالیت‌های روزمره انسان بر بستر وب انجام می‌شود. سرعت و حجم بالای تولید داده در وب، استفاده از الگوریتم‌های برخط یادگیری ماشین در پردازش و تحلیل جویبارداده را بسیار کارآمد جلوه داده است. بسیاری از این الگوریتم‌ها با فرض ثابت بودن فضای ویژگی ارائه شده‌اند؛ اما در مسائل دنیای واقعی ممکن است چنین فرضی رعایت نشود و هر نمونه از جویبارداده ویژگی‌های متفاوتی داشته باشد. در این پژوهش، این مسئله جدید که اخیراً توجه زیادی را به خود جلب کرده است بررسی می‌شود. همچنین یک الگوریتم عمومی نوین برای طبقه‌بندی جویبارداده ارائه می‌شود که با کشف روابط بین ویژگی‌ها و تخمین مقادیر مربوط به ویژگی‌های ناموجود، از حداکثر پتانسیل طبقه‌بند در پیش‌بینی بهره‌برداری می‌کند. درنهایت با انجام آزمایش‌های تجربی و مقایسه نتایج آن با دو مورد از الگوریتم‌های اخیر، نشان داده می‌شود که الگوریتم ارائه شده دقت بالاتری دارد.

online learning in dynamic feature space

nowadays, most of our daily activities are carried out on the web. the high speed and volume of data production on the web have made the use of online machine learning algorithms in processing and analyzing data streams very efficient. many of these algorithms have been developed assuming a fixed feature space; however, in real-world problems, this assumption may not hold and each instance of a data stream may have different features. in this study, this new problem that has recently attracted a lot of attention is investigated. also, a novel general algorithm for data stream classification is proposed, which exploits the relationships between features and estimates the values of unavailable features to achieve the maximum potential classifier. finally, through empirical experiments and comparison with two recent algorithms, it is shown that the proposed algorithm has higher accuracy.