另外，应该指明，{λ(t)} 被选作常量无论如何都是必要的，我们为动态贴现因子序列 {λ(t)} 提供了一个泛化的 DFOP（缩写为 G-DFOP），对应于 (11) 式，其也被证明是一个一次通过（one-pass）算法。第 1 节的详细证明参阅补充材料。

对于分类场景，y(t) 不再是一个实值输出，而是一个离散值，出于方便我们假设 y(t) ∈ {−1, +1}。在分类时，会在原来的输出步骤上进行一点细微的调整，其效果在下一节中通过实验获得了验证。

假设特征是 d 维的，在算法处理步骤中我们只需要记住：

易言之，存储总是 O(d^2)，其与训练实例的数量无关。此外，在第 t 时间戳（time stamp）时，wˆ (t) 的更新也与先前的数据项不相关，即每一个数据项一旦被扫描，即被舍弃。

4.2. 理论保证

这一节中，我们在一个非平稳回归场景中开发了一个估计的误差界（error bound）。

5. 实验

图 1: 在合成数据集上，7 种方法在 holdout 精确度方面的表现对比。左边是全部的 7 种方法；为了清晰，右边只绘制了 RLS、DWM 和 DFOP。

图 2 ：在带有分布变化的 4 个数据集上使用不同的遗忘因子的累积精确度

本文为机器之心编译，转载请联系本公众号获得授权。

✄------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]