我希望将机器学习应用于并行环境下的分类问题。多个独立节点各自配备多个开/关传感器,通过传输传感器数据进行事件分类,分类规则可以是启发式、训练数据或两者兼有。
每个节点会从其独特的角度测量相同的数据,并尝试在考虑到任何相邻节点(或其传感器或仅连接到该节点的连接)可能存在故障情况下进行分类。节点应作为平等的对等方运行,并通过通信其结果来确定最可能的分类。
最终,每个节点都应根据其自己的传感器数据和同伴的数据做出决策。如果需要,某些分类的误报是可以接受的(尽管不希望如此),但漏报则是完全不可接受的。
鉴于每个最终分类都将收到良好或不良的反馈,如果节点之间可以相互通信以确定最可能的分类,那么适合解决此问题的机器学习算法是什么?
每个节点会从其独特的角度测量相同的数据,并尝试在考虑到任何相邻节点(或其传感器或仅连接到该节点的连接)可能存在故障情况下进行分类。节点应作为平等的对等方运行,并通过通信其结果来确定最可能的分类。
最终,每个节点都应根据其自己的传感器数据和同伴的数据做出决策。如果需要,某些分类的误报是可以接受的(尽管不希望如此),但漏报则是完全不可接受的。
鉴于每个最终分类都将收到良好或不良的反馈,如果节点之间可以相互通信以确定最可能的分类,那么适合解决此问题的机器学习算法是什么?