Core Concepts
動的な学習者は、非定常な入力ストリームにおいて、十分な頻度で観察された項目の確率を効率的に学習し、予測することができる。
Abstract
この論文では、確率的な多クラス予測問題を扱う。入力は離散的なアイテムのストリームであり、予測器の課題は、次に発生するアイテムを確率で予測することである。予測器は、観察したアイテムの割合を追跡することで確率を出力する。
入力ストリームは無限で、予測器が事前に知らないアイテムの集合も無限に成長する可能性がある。さらに、アイテムの基礎周波数は時間とともに大幅に変化する非定常性がある。
予測器は、限られたメモリ空間しか持たないため、十分な頻度で観察されたアイテムのみの確率を出力する必要がある。このような非定常性への対応のため、移動平均手法を開発した。簡単な手法としてキューイングによる手法と、スパース指数移動平均(EMA)の拡張版を組み合わせた手法DYAL を提案した。DYAL は、アイテム固有の動的な学習率を使うことで、より正確かつタイムリーな収束を実現する。
合成実験と実世界データでの評価から、DYALが様々な状況で良好な性能を示すことが分かった。この柔軟性が、追加のコストに見合うことが示された。
Stats
新しいアイテムが頻度0から有意な頻度(Pmin以上)に変化する際、予測器はその変化に迅速に対応する必要がある。
予測器が同時に扱う確率は、数桁の違いがある可能性がある(例: 0.5と0.02)。
Quotes
"時折、新しい意味の結び目が形成される..そして、私たちの自然な力が突然、より豊かな意味合いと融合する。"
Maurice Merleau-Ponty