Resumen

Proponemos un nuevo marco de coregularización en línea para el aprendizaje semisupervisado multivista basado en la noción de dualidad en la optimización restringida. Utilizando el teorema de dualidad débil, reducimos la coregularización en línea a la tarea de aumentar la función dual. Demostramos que los algoritmos de coregularización en línea existentes en trabajos anteriores pueden ser vistos como una aproximación de nuestro proceso de ascenso dual utilizando ascenso de gradiente. Se derivan nuevos algoritmos basados en la idea de ascender más agresivamente la función dual. Para propósitos prácticos, también proponemos dos enfoques de aproximación dispersa para la representación del núcleo para reducir la complejidad computacional. Los experimentos muestran que nuestros algoritmos de coregularización en línea derivados logran un riesgo y precisión comparables a los algoritmos fuera de línea mientras consumen menos tiempo y memoria. Especialmente, nuestros algoritmos de coregularización en línea son capaces de lidiar con

• Materias:Robots Cuidados pediátricos Experimentos numéricos Radares Factores psicológicos
• Subjects:Robot Pediatric care Numerical experiments Radars Psychological factors
• Palabras claves:Propuesto; Coregularización en línea; Multivista; Aprendizaje semisupervisado; Dualidad; Optimización; Algoritmos; Función dual; Aproximación dispersa; Cambio de concepto.
• Keywords:Proposed; Online coregularization; Multiview; Semisupervised learning; Duality; Optimization; Algorithms; Dual function; Sparse approximation; Concept drift.