我想在并行环境中将机器学习应用于一个分类问题。多个独立节点，每个节点都配备多个开/关传感器，可以互相通信传感器数据，目标是根据启发式方法、训练数据或两者的组合对事件进行分类。

每个节点将从其独特的视角测量相同的数据，并尝试对结果进行分类，同时考虑到任何邻近节点（或其传感器，或仅是与节点的连接）可能出现故障。节点应作为平等的对等体，通过通信各自的结果来确定最可能的分类。

最终，每个节点应基于自身的传感器数据及其对等节点的数据做出决策。如果有影响的话，某些分类中的误报是可以接受的（尽管不理想），但漏报是完全不可接受的。

鉴于每个最终分类将获得好或坏的反馈，如果节点之间可以通信以确定最可能的分类，那么解决这个问题的合适机器学习算法是什么？

回答：

如果每个节点的传感器数据通常足以做出合理决策，它们可以仅通信结果并进行多数投票。如果多数投票不合适，可以训练一个额外的分类器，使用节点的输出作为其特征向量。

由于您希望进行带反馈的在线监督学习，您可以使用带反向传播的神经网络，或使用将错误添加到训练集的增量支持向量机。研究分类器偏置以处理误报/漏报的权衡问题。