Resumen

Los modelos de aprendizaje automático permanente (LML) aprenden con la experiencia manteniendo una base de conocimientos, sin intervención del usuario. A diferencia de los modelos tradicionales de un solo dominio, pueden ampliarse fácilmente para explorar grandes datos. Los modelos LML existentes tienen una alta dependencia de los datos, consumen más recursos y no soportan el flujo de datos. Este artículo propone un modelo LML en línea (OAMC) para soportar el flujo de datos con una dependencia de datos reducida. Con la ingeniería de la base de conocimientos y la introducción de nuevas características de conocimiento, se mejora el patrón de aprendizaje del modelo para los datos que llegan por partes. OAMC mejora la precisión como la coherencia de los temas por 7o datos de streaming mientras reduce el coste de procesamiento a la mitad.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:alta dependencia de los datos, modelo lml en línea, datos, aprendizaje automático permanente, dependencia de los datos reducida, nuevos conocimientos, modelo lml, coherencia temática, coste de procesamiento, flujo de datos
• Keywords:high data dependency, online lml model, data, lifelong machine learning, reduced data dependency, new knowledge, lml model, topic coherence, processing cost, streaming data