The goal for the second module is t

The goal for the second module is to make this algorithm run online with two specific requirements: the classifier state does not change much from its current state, and reveals the information contained in the newly arrived instances. The first one can be measured in terms of Kullback Leibler Divergence (KLD) [9] while ensuring the second one in terms of reducing bayesian error; thus can be posed as an optimization problem subject to constraints. Finally, such classification scheme is extended to handle new labels (can be proposed from the query logs, if accessible) assuming the new labels are uniformly distributed.

Kết quả (Việt) 1:

Mục tiêu cho các mô-đun thứ hai là để làm cho thuật toán này chạy trực tuyến với hai yêu cầu cụ thể: nhà nước loại không thay đổi nhiều từ trạng thái hiện tại của nó, và tiết lộ thông tin trong các trường hợp mới đến. Người đầu tiên có thể được đo lường trong điều khoản của Kullback Leibler phân kỳ (KLD) [9] đồng thời đảm bảo một thứ hai trong điều khoản của việc giảm Bayes lỗi; do đó có thể được đặt ra như là một vấn đề tối ưu hóa tùy thuộc vào ràng buộc. Cuối cùng, sơ đồ phân loại được mở rộng để xử lý nhãn mới (có thể được đề xuất từ các bản ghi truy vấn, nếu có thể truy cập) giả sử các nhãn mới được phân bố đồng đều.

Kết quả (Việt) 2:

Mục tiêu của mô-đun thứ hai là làm cho thuật toán này chạy trực tuyến với hai yêu cầu cụ thể: thực trạng phân loại không thay đổi nhiều từ trạng thái hiện tại của nó, và tiết lộ các thông tin chứa trong các trường hợp mới đến. Người đầu tiên có thể được đo trong điều khoản của Kullback Leibler Divergence (KLD) [9] trong khi đảm bảo điều thứ hai trong việc giảm lỗi Bayes; do đó có thể được đặt ra như một vấn đề tối ưu hóa chịu ràng buộc. Cuối cùng, chương trình phân loại đó được mở rộng để xử lý nhãn mới (có thể được đề nghị từ các bản ghi truy vấn, nếu truy cập được) giả sử các nhãn mới được phân bố đều.