Алгоритм машинного обучения для одноранговых узлов

Question

Я хочу применить машинное обучение к проблеме классификации в параллельной среде. Несколько независимых узлов, каждый из которых имеет несколько датчиков включения / выключения, могут передавать данные своих датчиков с целью классификации события, как определено эвристическими, обучающими данными или обоими.

Каждый узел будет измерять одни и те же данные со своей уникальной перспективы и будет пытаться классифицировать результат, принимая во внимание, что любой соседний узел (или его датчики или просто соединение с узлом) могут быть неисправны. Узлы должны функционировать как равные узлы и определять наиболее вероятную классификацию, сообщая свои результаты.

В конечном итоге каждый узел должен принять решение на основе данных своих собственных датчиков и данных своих коллег. Если это имеет значение, то для некоторых классификаций допустимы ложные срабатывания (хотя и нежелательные), но ложные отрицания будут совершенно неприемлемы.

Учитывая, что каждая окончательная классификация будет получать хорошую или плохую обратную связь, каким будет подходящий алгоритм машинного обучения для решения этой проблемы, если узлы могут связываться друг с другом для определения наиболее вероятной классификации?

Answer 1

В этом случае нейронная сеть может быть очень подходящей. Входами в сеть будут каждый из датчиков на борту узла, а также его соседей. Вы рассчитываете вес на основе ваших отзывов.

Другим вариантом (который проще, но может также достичь хороших результатов) является Алгоритм сплетни . Вы должны были бы учесть обратную связь, хотя.

Answer 2

Если данных датчика в каждом отдельном узле, как правило, достаточно для принятия разумного решения, они могут просто сообщить результат и получить большинство голосов. Если большинство голосов не подходит, вы можете обучить дополнительный классификатор, который использует выходные данные узлов в качестве вектора признаков.

Поскольку вы хотите, чтобы обучение в режиме онлайн контролировалось с обратной связью, вы могли бы использовать нейронную сеть с обратным распространением или инкрементальный вектор опорных векторов, который добавляет ошибки в обучающий набор. Посмотрите на смещение классификатора, чтобы справиться с ложноположительным / ложноотрицательным компромиссом.