是否存在一种神经网络算法，支持动态添加特征（非固定特征集），并且不假设特征之间没有相关性？
回答：
-
我认为你不能动态添加特征，因为神经网络和其他许多算法一样，处理的是大小相同的输入向量，尽管这些向量可能是稀疏的。你可以用一组特征进行训练，然后存储权重，添加新特征并开始新的训练，我认为这会比第一次训练更快地收敛。
-
一阶神经网络的工作方式类似于逻辑回归，解决的是全局最大值问题，对特征没有任何假设，只是寻找与训练数据的概率分布相关的函数，以最大化训练数据的似然性，与朴素贝叶斯不同，后者分别计算每个概率，然后在独立性假设下将它们结合起来。
