| 基于主动-被动增量集成的概念漂移适应方法 |
| |
| 引用本文： | 祁晓博, 陈佳明, 史颖, 亓慧, 郭虎升, 王文剑. 基于主动−被动增量集成的概念漂移适应方法. 自动化学报, 2025, 51(5): 1131−1144 doi: 10.16383/j.aas.c240503 |
| |
| 作者姓名： | 祁晓博 陈佳明 史颖 亓慧 郭虎升 王文剑 |
| |
| 作者单位： | 1.太原师范学院计算机科学与技术学院 晋中 030619;2.智能优化计算与区块链技术山西省重点实验室 晋中 030619;3.山西大学计算机与信息技术学院 太原 030006;4.山西大学计算智能与中文信息处理教育部重点实验室 太原 030006 |
| |
| 基金项目： | 国家自然科学基金(62476157, U21A20513, 62076154, 62276157), 山西省专利转化专项计划项目(202302009, 202302012), 山西省基础研究计划(自由探索类)项目(202103021223334), 太原师范学院成果转化与技术转移基地(2023P003) 资助 |
| |
| 摘 要： | 
数据流是一组随时间连续到来的数据序列,在数据流不断产生的过程中,由于各种因素的影响,数据分布随时间推移可能以不可预测的方式发生变化,这种现象称为概念漂移.在漂移发生后,当前模型需要及时响应数据流中的实时分布变化,并有效处理不同类型的概念漂移,从而避免模型泛化性能下降.针对这一问题,提出一种基于主动–被动增量集成的概念漂移适应方法 (CDAM-APIE).该方法首先使用在线增量集成策略构建被动集成模型,对新样本进行实时预测以动态更新基模型权重,有利于快速响应数据分布的瞬时变化,并增强模型适应概念漂移的能力.在此基础上,利用增量学习和概念漂移检测技术构建主动基模型,提升模型在平稳数据流状态下的鲁棒性和漂移后的泛化性能.实验结果表明, CDAM-APIE能够对概念漂移做出及时响应,同时有效提高模型的泛化性能.
|
| 关 键 词： | 概念漂移 数据流分类 增量学习 在线集成 |
| 收稿时间： | 2024-07-15 |
|
| 点击此处可从《自动化学报》浏览原始摘要信息 |
|
点击此处可从《自动化学报》下载免费的PDF全文 |
|
