Аннотация:Предположение о том, что всякий объект реального мира представляется в компьютере как точка линейного пространства, позволяет построить единую методологию восстановления зависимостей по множеству прецедентов, допускающую измерение целевой характеристики объекта в произвольной шкале. От этой шкалы зависит лишь выбор так называемой параметрической функции потерь, содержащей три аргумента: специфическую целевую переменную и две точки линейного пространства, одна из которых отображает наблюдаемые свойства объекта, а вторая, называемая направляющей точкой, полностью определяет модель зависимости в данный момент времени. Другим важнейшим элементом методологии является регуляризующая функция от направляющей точки линейного пространства, или, в вероятностных терминах, ее априорное распределение, выбор которого не связан с типом искомой зависимости. В данной работе это распределение рассматривается как марковский случайный процесс, развивающийся во времени. Обучение в реальном времени сводится к оцениванию двух его параметров — размерности базиса в исходном линейном пространстве и волатильности нестационарной зависимости по времени. Хотя вид текущего апостериорного распределения направляющей точки зависит от типа целевой переменной, его нормальная аппроксимация обеспечивает универсальность алгоритма обучения на основе фильтра Калмана.
Работа поддержана грантом РФФИ № 14-07-00964.