ELITE 架構

經過有效的研究和開發工作，我們GOT公司為了構建高品質的學習模式的總集,已開發出一種創新的和動態的框架,稱為ELITE. ELITE旨在解決機器學習領域中兩個具有挑戰性的問題: 模型架構選擇的問題和優化模型訓練的問題.ELITE區分為四個階段,首先構建的是種子學習模型(第一階段), 其次是一組成員學習模型(第二階段), 其中的每一項均以最佳的方式刪減(第三階段),則在第四階段達到最佳的集成.ELITE中的幾個設計任務是被歸劃為優化問題,並且以Trust-Tech方法求解, 它提供了有系統的和確定性的方式來從一個局部最優解逃離並且接近多個局部最優解的方法.

ELITE包括以下傑出的特性:

多樣性:ELITE的集成成員是經過不同的最佳刪減後輸入的獨特的最優學習模型. 這些成員是使用經由以被提議的顯著性為基礎的特徵選取方法所產生出來的.以此方式, 集成成員的多樣性便能實現.

精確性:在ELITE當中,集成成員的精確性是經由以Trust-Tech為基礎的訓練方法所得到的多個局部最優解中選擇出高品質的成員模型來達成的.

最優性:在ELITE當中,集成的最佳化是通過優化組合一套最優和刪減過的成員模型來實現的. 具體而言, 成員學習模型的最優性是使用一種Trust-Tech為基礎的訓練方法來達成的,並且通過使用Trust-Tech和局部優化器來求解相關的非凸二次優化問題以達成組合權重的最優性.