В.В. Вьюгин, В.К. Калмыков, В.Г. Трунов

Онлайн обучение многокомпонентных прогнозирующих систем

Рассматривается подход, при котором обучение прогнозирующей системы производится во все моменты времени. Этот подход называется в современной литературе Lifelong Machine Learning. В качестве примера применения такого подхода решается задача прогнозирования потока данных, поступающих в режиме онлайн. При вычислении очередного прогноза не используется никаких предположений о природе источника, генерирующего поток данных – источник может быть алгоритмическим или вероятностным, смена его параметров может происходить в случайные моменты времени. В этих условиях прогнозирующие системы должны обучаться непрерывно по мере поступления входной информации. Предлагается два вида адаптивных алгоритмов машинного обучения. Первый алгоритм производит агрегацию в режиме онлайн локальных моделей потока данных, которые автоматически создаются в процессе его изучения. Вторая группа методов основана на применении искусственных нейронных сетей, обучающихся в режиме онлайн. Проводится сравнительный анализ эффективности предложенных методов.

 

KEYWORDS: непрерывное машинное обучение, Lifelong Machine Learning, адаптивные алгоритмы прогнозирования в режиме онлайн, предсказания с использованием экспертных стратегий, регрет, агрегирующий алгоритм, искусственные нейронные сети