A data classification method and apparatus are disclosed for labeling
unknown objects. The disclosed data classification system employs a
learning algorithm that adapts through experience. The present invention
classifies objects in domain datasets using data classification models
having a corresponding bias and evaluates the performance of the data
classification. The performance values for each domain dataset and
corresponding model bias are processed to identify or modify one or more
rules of experience. The rules of experience are subsequently used to
generate a model for data classification. Each rule of experience
specifies one or more characteristics for a domain dataset and a
corresponding bias that should be utilized for a data classification model
if the rule is satisfied. The present invention dynamically modifies the
assumptions (bias) of the learning algorithm to improve the assumptions
embodied in the generated models and thereby improve the quality of the
data classification and regression systems that employ such models. A
dynamic bias may be employed in the meta-learning algorithm by utilizing
two self-adaptive learning algorithms. In a first function, each
self-adaptive learning algorithm generates models used for data
classification. In a second function, each self-adaptive learning
algorithm serves as an adaptive meta-learner for the other adaptive
learning algorithm.
Μια μέθοδος και μια συσκευή ταξινόμησης στοιχείων αποκαλύπτονται για το μαρκάρισμα των άγνωστων αντικειμένων. Το αποκαλυπτόμενο σύστημα ταξινόμησης στοιχείων υιοθετεί έναν αλγόριθμο εκμάθησης που προσαρμόζεται μέσω της εμπειρίας. Η παρούσα εφεύρεση ταξινομεί τα αντικείμενα στα σύνολα δεδομένων περιοχών χρησιμοποιώντας τα πρότυπα ταξινόμησης στοιχείων που έχουν μια αντίστοιχη προκατάληψη και αξιολογεί την απόδοση της ταξινόμησης στοιχείων. Οι τιμές απόδοσης για κάθε σύνολο δεδομένων περιοχών και την αντίστοιχη πρότυπη προκατάληψη υποβάλλονται σε επεξεργασία για να προσδιορίσουν ή να τροποποιήσουν έναν ή περισσότερους κανόνες της εμπειρίας. Οι κανόνες της εμπειρίας χρησιμοποιούνται στη συνέχεια για να παραγάγουν ένα πρότυπο για την ταξινόμηση στοιχείων. Κάθε κανόνας της εμπειρίας διευκρινίζει ένα ή περισσότερα χαρακτηριστικά για ένα σύνολο δεδομένων περιοχών και μια αντίστοιχη προκατάληψη που πρέπει να χρησιμοποιηθούν για ένα πρότυπο ταξινόμησης στοιχείων εάν ο κανόνας είναι τηρημένος. Η παρούσα εφεύρεση τροποποιεί δυναμικά τις υποθέσεις (προκατειλημμένες) του αλγορίθμου εκμάθησης για να βελτιώσει τις υποθέσεις που ενσωματώνονται στα παραγμένα πρότυπα και με αυτόν τον τρόπο να βελτιώσει την ποιότητα των συστημάτων ταξινόμησης και οπισθοδρόμησης στοιχείων που χρησιμοποιούν τέτοια πρότυπα. Μια δυναμική προκατάληψη μπορεί να υιοθετηθεί στον αλγόριθμο μετα-εκμάθησης με τη χρησιμοποίηση δύο μόνος-προσαρμοστικών αλγορίθμων εκμάθησης. Σε μια πρώτη λειτουργία, κάθε μόνος-προσαρμοστικός αλγόριθμος εκμάθησης παράγει τα πρότυπα που χρησιμοποιούνται για την ταξινόμηση στοιχείων. Σε μια δεύτερη λειτουργία, κάθε μόνος-προσαρμοστικός αλγόριθμος εκμάθησης χρησιμεύει ως ένας προσαρμοστικός μετα-αρχάριος για τον άλλο προσαρμοστικό αλγόριθμο εκμάθησης.
