ELITE 架构

经过有效的研究和开发工作，我们GOT公司为了构建高品质的学习模式的总集,已开发出一种创新的和动态的框架,称为ELITE. ELITE旨在解决机器学习领域中两个具有挑战性的问题: 模型架构选择的问题和优化模型训练的问题.ELITE区分为四个阶段,首先构建的是种子学习模型(第一阶段), 其次是一组成员学习模型(第二阶段), 其中的每一项均以最佳的方式删减(第三阶段),则在第四阶段达到最佳的集成.ELITE中的几个设计任务是被归划为优化问题,并且以Trust-Tech方法求解, 它提供了有系统的和确定性的方式来从一个局部最优解逃离并且接近多个局部最优解的方法.

ELITE包括以下杰出的特性:

多样性:ELITE的集成成员是经过不同的最佳删减后输入的独特的最优学习模型. 这些成员是使用经由以被提议的显着性为基础的特征选取方法所产生出来的.以此方式, 集成成员的多样性便能实现.

精确性:在ELITE当中,集成成员的精确性是经由以Trust-Tech为基础的训练方法所得到的多个局部最优解中选择出高品质的成员模型来达成的.

最优性:在ELITE当中,集成的最佳化是通过优化组合一套最优和删减过的成员模型来实现的. 具体而言, 成员学习模型的最优性是使用一种Trust-Tech为基础的训练方法来达成的,并且通过使用Trust-Tech和局部优化器来求解相关的非凸二次优化问题以达成组合权重的最优性.