The demand for adaptive learning me

The demand for adaptive learning methods, e.g. for use in brain computer interfaces (BCIs)
[15] has recently triggered a considerable interest in such algorithms. We may approach
adaptive learning with algorithms that were designed for stationary environments and use
learning rates to make these methods adaptive. These approaches can be traced back to
early work on learning algorithms (e.g. [1]). A more recent account to this approach is
[17], who combines the probabilistic method of sequential variational inference ([9]) and a
forgetting factor to obtain an adaptive learning method. Probabilistic or Bayesian methods
allow also for a completely different interpretation of adaptive learning. We may regard the
model coefficients as latent (i.e. unobserved) states of a first order Markov process.

ผลลัพธ์ (ไทย) 1:

ความต้องการใช้วิธีการเรียนรู้ที่เหมาะสม สำหรับใช้ในอินเทอร์เฟซคอมพิวเตอร์สมอง (ต้อง)[15] เมื่อเร็ว ๆ นี้มีทริกเกอร์สนใจจำนวนมากในอัลกอริทึมดังกล่าว เราอาจเข้าเรียนรู้ที่เหมาะสมกับอัลกอริทึมที่ถูกออกแบบสำหรับสภาพแวดล้อมเครื่องเขียนและใช้เรียนพิเศษทำให้วิธีการเหล่านี้เหมาะสม สามารถติดตามแนวทางเหล่านี้กลับไปทำงานช่วงบนอัลกอริทึมการเรียนรู้ (เช่น [1]) บัญชีล่าสุดให้วิธีการนี้[17], ที่รวมวิธี probabilistic ข้อ variational ตามลำดับ ([9]) และลืมปัจจัยเพื่อให้ได้วิธีการเรียนรู้ที่เหมาะสม วิธี Probabilistic หรือทฤษฎีอนุญาตให้ยังตีความแตกต่างกันโดยสิ้นเชิงการเรียนรู้ที่เหมาะสม เราอาจพิจารณาการแบบจำลองสัมประสิทธิ์เป็นอเมริกาแฝงอยู่ (เช่น unobserved) ของกระบวนการแรกสั่ง Markov

ผลลัพธ์ (ไทย) 2:

ความต้องการสำหรับวิธีการเรียนรู้การปรับตัวเช่นสำหรับการใช้งานในการเชื่อมต่อคอมพิวเตอร์สมอง (BCIs)
[15] ได้เรียกเมื่อเร็ว ๆ นี้มีความสนใจเป็นอย่างมากในขั้นตอนวิธีการดังกล่าว เราอาจเข้าใกล้การเรียนรู้การปรับตัวกับขั้นตอนวิธีที่ถูกออกแบบมาสำหรับสภาพแวดล้อมที่นิ่งและใช้อัตราการเรียนรู้ที่จะทำให้วิธีการเหล่านี้การปรับตัว วิธีการเหล่านี้สามารถตรวจสอบกลับไปทำงานในช่วงต้นของขั้นตอนวิธีการเรียนรู้ (เช่น [1]) บัญชีที่ผ่านมามากขึ้นในวิธีนี้คือ[17] ซึ่งรวมน่าจะเป็นวิธีการของการอนุมานแปรผันต่อเนื่อง ([9]) และปัจจัยลืมที่จะได้รับการปรับตัววิธีการเรียนรู้ น่าจะเป็นวิธีการหรือแบบเบย์อนุญาตให้ยังสำหรับการตีความที่แตกต่างกันอย่างสมบูรณ์ของการเรียนรู้การปรับตัว เราอาจจะถือว่าค่าสัมประสิทธิ์เป็นรูปแบบที่แฝง (คือไม่มีใครสังเกต) รัฐของขั้นตอนการสั่งซื้อครั้งแรกมาร์คอฟ

ผลลัพธ์ (ไทย) 3:

ความต้องการการเรียนรู้วิธี เช่น ใช้ในการเชื่อมต่อคอมพิวเตอร์สมอง ( นานาชาติ )
[ 15 ] เพิ่งเรียกความสนใจมากในอัลกอริทึมดังกล่าว เราอาจเข้าถึง
การเรียนรู้กับอัลกอริทึมที่ออกแบบมาสำหรับสภาพแวดล้อมที่นิ่งและใช้
อัตราการเรียนรู้ที่จะทำให้วิธีการเหล่านี้ปรับตัว วิธีเหล่านี้สามารถ traced กลับไปที่
ก่อนทำงานบนอัลกอริทึมการเรียนรู้ ( เช่น[ 1 ] ) เพิ่มเติมล่าสุดบัญชีวิธีการนี้คือ
[ 17 ] ที่ผสมผสานวิธีความน่าจะเป็นของลำดับการอนุมาน ( [ 9 ] ) และ
ลืมปัจจัยได้รับการเรียนรู้วิธีการ ความน่าจะเป็นแบบเบย์หรือวิธีการ
ให้สำหรับการตีความที่แตกต่างกันอย่างสมบูรณ์ของการเรียนรู้ เราอาจพิจารณา
โมเดลสัมประสิทธิ์แฝง ( เช่นunobserved ) รัฐของกระบวนการคำสั่งแบบแรก