온라인 기계 학습 문제를 시스템 이론적 관점에서 접근하여 온라인 학습 시스템의 구조와 행동을 정의하고, 이를 통해 개념 drift 문제를 해결하고자 한다.
온라인 전략적 분류 문제에서 학습자는 에이전트의 전략적 행동에도 불구하고 에이전트의 실제 라벨을 정확하게 예측하는 분류기를 찾는다. 이를 위해 학습자는 에이전트의 조작된 특징 벡터에 대한 예측 오류와 조작 횟수를 최소화하고, 최대 마진 분류기를 복구하는 알고리즘을 제안한다.
온라인 클래스 증분 학습 문제를 분석적 방식으로 해결하여 데이터 프라이버시를 보호하고 자원 소비를 최소화하는 접근법을 제안한다.
본 논문은 온라인 다중 과제 학습을 위한 두 가지 새로운 접근법을 제안한다. 그래프 기반 다중 과제 학습 공식화를 활용하여 가중치 재귀 최소 제곱법(MT-WRLS)과 온라인 희소 최소 제곱 서포트 벡터 회귀(MT-OSLSSVR) 방법을 개발하였다. 이를 통해 기존 문헌의 온라인 경사 하강법이나 큐빅 근사 접근법보다 정확하고 효율적인 재귀 해법을 제시한다.