- 求解优化问题方面
1、固定A优化B再固定B优化A(代表算法:ACS、EM)
2、引入白噪声(randomness injection)提升模型的鲁棒性,比如:
- 建立模型方面
1、分层迭代(learning,self-paced learning, Deep-Forest, 分多个epoch迭代)
2、对抗的方法(GAN)
3、随机化+集成
4、替代推广
- 数据增广方面
1、平滑产生新数据
2、时序数据压(放)缩幅度(y=y/a)、压(放)缩频率
3、增加一些有物理或实际含义的特征(比如股票数据添加是否突破日内新高)
4、对抗生成更多样本
- 数据预处理方面
1、标准化输入数据(如,x=(x-min)/(max-min))
2、分类问题用正确率作为指标要保证样本均衡
- 噪声的处理方面
1、对噪声建模,建立参数,EM求解
2、评估标签的可靠性,之后进行自步学习采样
3、随机多尺度之后集成
- 特别的技巧方面
1、JS估计(n>2)