یادگیری به موقع معیار فاصله در محیطهای غیر ایستا

در این مقاله یک روش غیر پارامتری تطبیقی برای یادگیری به موقع معیار فاصله در محیطهای پویا ارایه میگردد. استفاده از این روش در محیطهای غیر ایستا،‏ طبقه بندی بر اساس شباهتِ الگوهای ورودی که از یک فرآیند تصادفی غیر پارامتری بیرون کشیده شده اند را با کارایی بالا امکان پذیر می سازد. منظور از کارایی در اینجا دقت طبقه بندی کننده،‏ ابعاد فضای ویژگی و تعداد مراجعات برای بروزرسانی و تطبیق پارامترها در طول عمر سیستم است. برای این منظور از داده ها با برچسب زمانی برای یادگیری معیار فاصله و استخراج ویژگیهای جدید استفاده میشود. این یادگیری غیر پیوسته بوده و دقیقا در زمان مورد نیاز انجام میگیرد. در حالیکه مدلهای تطبیقی استخراج ویژگی برای کاهش فضای ابعاد و/یا افزایش دقت طبقه بندی کننده ها پیشنهاد شده اند،‏ ولیکن این روشها نسبت به تغییرات غیر پارامتریک داده های ورودی حساس بوده و نیاز به بروزرسانی پیوسته پارامترهای خود دارند. در روش ارایه شده یک ماتریس انتقال بهینه داده های دارای برچسب زمانی را از فضای اولیه به یک فضای ویژگی جدید طوری انتقال می دهد که احتمال انتخاب برچسب کلاس صحیح برای داده های جدید با استفاده از طبقه بندی کننده بر اساس شباهت بیشینه گردد. همچنین با استفاده از داده های زمانی،‏ توزیع داخل کلاسی و توزیع خارج کلاسی غیر پارامتری ارایه می گردد. نتایج آزمایشات روی مجموعه داده های واقعی و مصنوعی عملکرد روش پیشنهادی را از نظر دقت،‏ کاهش ابعاد و تعداد مراجعات برای بروزرسانی پارامترها در محیط های پویا نشان می دهد.