Resumen

Como un potente extractor de características no lineales, el análisis de componentes principales de kernel (KPCA, por sus siglas en inglés) ha sido ampliamente adoptado en muchas aplicaciones de aprendizaje automático. Sin embargo, el KPCA generalmente se realiza en modo por lotes, lo que puede llevar a algunos problemas potenciales al manejar conjuntos de datos masivos o en línea. Para superar esta desventaja del KPCA, en este artículo proponemos un algoritmo de KPCA incremental de dos fases (TP-IKPCA) que puede incorporar datos al KPCA de forma incremental. En la primera fase, se desarrolla un algoritmo incremental para expresar explícitamente los datos en el espacio del kernel. En la segunda fase, extendemos un análisis de componentes principales incremental (IPCA) para estimar los componentes principales del kernel. Los extensos resultados experimentales tanto en conjuntos de datos sintéticos como reales mostraron que el TP-IKPCA propuesto produce componentes principales similares al KPCA basado en lotes convencional, pero es computacionalmente más rápido que el KPCA y sus varias variantes

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Poderoso; Extractor de características no lineales; Análisis de componentes principales de kernel; Modo por lotes; Algoritmo incremental; Componentes principales
• Keywords:Powerful; Nonlinear feature extractor; Kernel principal component analysis; Batch mode; Incremental algorithm; Principal components