不平衡数据流的在线集成学习
本文提出了一类基于自适应正则化的代价敏感在线分类算法,并将描绘技术引入到算法中以提高效率。通过针对真实世界的在线异常检测任务的应用,证明了该算法在各种领域中解决代价敏感在线分类问题的有效性和效率。
Apr, 2018
本文提出了一种新颖的在线增强自适应学习 (OBAL) 方法,通过自适应学习不同流之间的动态相关性,有效地解决了多流分类中负面转移的问题。
Dec, 2023
通过利用增强学习和在线学习之间的对偶性,提出了一个强大的增强学习框架,开发了多种算法解决了多个实用和理论上有趣的问题,包括稀疏增强、平滑分布增强、识别学习和一些在线学习算法的广义化。
Sep, 2014
提出了一种用于流数据分类的新框架,通过对非平稳漂移不平衡数据流进行数据预处理和动态集成选择技术的分类框架,以解决现代流数据分类面临的概念漂移和类不平衡数据的问题。实验结果表明,数据预处理结合动态集成选择技术在处理不平衡数据流时具有更高的准确性。
Sep, 2023
本研究提出了一种基于强化学习和 MC dropout 采样方法的在线成本敏感特征获取方案,该方案可适用于流式学习的场景,测试结果表明该方案能够有效地获取特征并做出准确预测。
Jan, 2019
我们研究了在线版本的 GentleAdaboost,通过在线方式将弱学习器与强学习器相结合。我们提供了一种将批量方法扩展为在线方法的途径,并通过线搜索的应用进行了理论上的证明。最后,我们将我们的在线增强方法与其他在线方法在各种基准数据集上进行了比较。
Aug, 2023
在线感知和计算资源在工业物联网系统(Industrial Cyber-physical Systems,ICPS)中促进了以人工智能为驱动的决策制定。然而,数据质量的问题,如不平衡类别,阻碍了离线训练的人工智能模型。为了解决这个问题,人工智能模型通过流式数据进行在线更新,持续改进。然而,监督学习模型在选择质量流式样本进行更新时面临注释限制的挑战。文献中的主动学习方法通过关注不充分或充分代表的区域提供了解决方案。在不断变化的制造背景下平衡这些策略是具有挑战性的。一些人工智能学到的获取准则动态地适应,但可能不一致地处理频繁变化。我们引入了一种集成主动学习方法 CBEAL,专门用于探索或开发的主动学习代理。代理的权重根据代理决策的有效性进行调整。CBEAL 在最小化人工注释的同时,优化地指导数据获取。我们的理论分析和实证研究验证了 CBEAL 在 ICPS 制造过程建模方面的效率。
Oct, 2023
本文研究了在线增强学习的任务,重点探讨在线弱分类器的不同之处,提出了一种新颖的在线增强算法,并通过理论分析设计了算法参数以及确定弱分类器个数等问题,实验结果表明所提出的算法比现有的在线算法效果更好。
Jun, 2012
本文针对 UNSW-NB15 数据集的类不平衡和特征空间中的类重叠问题,提出了一种机器学习分类器的数据驱动设计和性能评估方法,其中使用 Balanced Bagging、eXtreme Gradient Boosting、Hellinger Distance Decision Tree 等集成方法来解决不平衡数据问题,提出了两种新的算法来解决类重叠问题,并提高了测试数据的分类性能。实验证明,相比已有技术,该方法在二元和多种情况下均有显著优势。
May, 2022
研究在线提升的两种算法:boost-by-majority 和自适应在线提升算法,证明其在可接受精度下基本上是最优的。两种算法都能处理样本的重要性权重,并且使用了在线损失最小化技术。
Feb, 2015