点对点节点的机器学习算法

Question

4

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？

- Petrus Theron

2个回答

1

在这种情况下，神经网络可能非常适合。网络的输入将是节点上每个传感器以及其邻居的传感器。您将根据反馈计算权重。

另一个选择（更简单，但同样可以取得良好的结果）是流言算法。不过，您需要考虑如何整合反馈。

- Bradley Powers

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Doctor Kicks · Accepted Answer

如果每个节点中的传感器数据通常足以做出合理的决策，它们可以只通信结果并进行多数投票。如果多数投票不合适，您可以训练一个额外的分类器，该分类器使用节点的输出作为其特征向量。

由于您希望具有反馈的在线监督学习，因此您可以使用具有反向传播的神经网络或增量支持向量机，将错误添加到训练集中。研究分类器偏置以处理假阳性/假阴性权衡。