最新的流媒体学习

我最近一直在处理大型数据集，并发现了许多有关流方法的论文。仅举几例：

• 遵循规范的领导者和镜像后裔：等价定理和L1正则化（http://jmlr.org/proceedings/papers/v15/mcmahan11b/mcmahan11b.pdf）
• 流式学习：一次通过SVM（http://www.umiacs.umd.edu/~hal/docs/daume09onepass.pdf）
• Pegasos：用于SVM的原始估计子GrAdient求解器http://ttic.uchicago.edu/~nati/Publications/PegasosMPB.pdf
• 还是在这里：SVM可以一次进行流学习一个示例吗？
• 流随机森林（http://research.cs.queensu.ca/home/cords2/ideas07.pdf）

但是，我无法找到有关它们之间如何比较的任何文档。我读过的每篇文章似乎都针对不同的数据集进行了实验。

我知道sofia-ml，vowpal wabbit，但与大量现有方法相比，它们似乎执行的方法很少！

不太常见的算法性能不够吗？是否有任何论文试图复习尽可能多的方法？

据我所知，目前尚无法对与您链接的Delgado论文类似的多种算法进行严格的调查，但是我们一直在努力收集算法系列的结果。

以下是一些我认为有用的资源（免责声明：我在该地区发布，因此我的选择可能有偏见）：

• 集成学习的数据流分类调查（调查）
• 在线学习和在线凸优化（技术报告）
• 大数据流中的在线机器学习（调查）
• 数据流的机器学习（书）
• 在不断发展的数据流上学习回归树和集合的算法（博士学位论文）
• 概念漂移下的学习：概述（调查）
• 最优和自适应在线学习（博士学位论文）
• 数据流和频繁模式的自适应学习与挖掘（博士学位论文）

一些软件软件包：

• 农业部和萨摩亚
• scikit-multiflow
• 朱巴图斯
• 图书馆（S）OL
• 流DM

如果需要，我可以添加更多信息和资源。正如其他人所说，该领域可以使用全面调查。