Decremental Learning of Evolving Fuzzy Inference Systems Using a Sliding Window

International audienceThis paper tackles the problem of decremental learning of an evolving classification system. We study the use of decremental learning to improve performance of evolving recognizers in non-stationary scenarios. Our on-line recognizer is based on an evolving fuzzy inference system. In this paper, we propose a new strategy to introduce decremental learning, with the use of a sliding window, in the optimization of fuzzy rules conclusions. This approach is based on a downdating technique of least squares solutions for unlearning old data. This technique is evaluated on handwritten gesture recognition tasks. In particular, it is shown that this downdating techniques allow to adapt to concept drifts and that we face a precision reactiveness trade-off. It is also demonstrated that decremental learning is necessary to maintain the system learning capacity over time, making decremental learning essential for the life-time use of an evolving classification system.Cet article présente le problème de l'apprentissage décrémental d'un système de classification évolutif. Nous étudions l'utilisation de l'apprentissage décrémental pour améliorer les performances des classifieurs évolutifs en environnement non stationnaire. Notre classifieur en-ligne est basé sur un système d'inférence floue. Dans cet article, nous proposons une nouvelle stratégie pour introduire de l'apprentissage décrémental, en utilisant une fenêtre glissante, dans l'optimisation des conclusions des règles floues. Cette approche est basée sur une technique de "downdating" des solutions des moindres carrés pour désapprendre les anciennes données. Cette technique est évaluée sur des tâches de reconnaissance de gestes manuscrits. En particulier, il est montré que cette technique de "downdating" permet de s'adapter aux changements de concept, et que sous faisons face à un équilibre entre précision et réactivité. Il est également montré que l'apprentissage décrémental est nécessaire pour maintenir la capacité d'apprentissage du système avec le temps, rendant ainsi l'apprentissage décrémental essentiel pour l'utilisation "à vie" d'un classifieur évolutif