基于增量切空间校准的自适应流式大数据学习算法

来源：计算机研究与发展杂志2017年第11期北京时间：

作者：谈超,吉根林,赵斌,

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-adaptivestreamingbigdatalearningalgorithmbasedonincrementaltangentspacealignment,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.

关键词：流形学习, 非线性维数约减, 流式大数据, 增量切空间, 自适应,