我想将机器学习应用于并行环境中的分类问题。多个独立节点（每个节点具有多个开/关传感器）可以传达其传感器数据，其目的是对由启发式，训练数据或两者定义的事件进行分类。
每个对等体将从其独特的角度测量相同的数据，并将尝试对结果进行分类，同时考虑到任何相邻节点（或其传感器或仅与节点的连接）可能有故障。节点应该作为相同的对等体运行，并通过传达其结果来确定最可能的分类。
最终，每个节点都应根据自己的传感器数据及其对等数据做出决策。如果重要的话，某些分类的假阳性是可以的（尽管是不可取的）但是假阴性是完全不可接受的。
鉴于每个最终分类都会收到好的或坏的反馈，如果节点可以相互通信以确定最可能的分类，那么解决这个问题的适当的机器学习算法是什么？
答案 0 :(得分：1)
如果每个节点中的传感器数据通常足以做出合理的决定，他们只能传达结果并进行多数投票。如果多数投票不合适，您可以训练另一个使用节点输出作为其特征向量的分类器。
由于您希望通过反馈进行在线监督学习，您可以使用带反向传播的神经网络或增量支持向量机，将错误添加到训练集。研究分类器偏向以处理假阳性/假阴性权衡。
答案 1 :(得分：1)
在这种情况下，neural network可能非常合适。网络的输入将是节点上的每个传感器以及其邻居的传感器。您可以根据您的反馈计算权重。
另一个选项（更简单，但也可以取得好成绩）是Gossip Algorithm。你必须考虑纳入反馈意见。