Feb, 2017

利用历史知识适应概念漂移

PDF
TL;DR这篇论文介绍了一种新的集成学习方法，称为 Diversity and Transfer based Ensemble Learning（DTEL），用于处理概念漂移的增量学习。通过利用保留的历史模型和转移学习，DTEL 可以更有效地处理概念漂移，并通过对 15 个合成数据流和 4 个真实数据流的经验研究证明了其有效性。
incremental learningconcept driftensemble methodsdiversity and transferempirical studies
发现论文，激发创造
  • 通过模型重用处理概念漂移

    研究了如何通过模型重用应对数据流中的概念漂移问题，为每个模型赋予权重，并根据模型性能自适应调整权重，在合成和真实数据集上进行实验验证方法的优越性。

    Sep, 2018

  • 解决在线时间序列预测中的概念漂移问题：检测然后适应

    在线更新时间序列预测模型针对概念漂移通过基于流数据调整预测模型来解决挑战。我们提出了一种新颖的方法 D3A，首先检测概念漂移，然后在检测到漂移后积极调整当前模型以适应漂移的概念，从而快速适应。通过在现有的训练样例中引入高斯噪声的数据增强策略，我们提出了一种最大程度利用历史数据进行模型适应的方法。我们的实证研究跨越六个数据集，证明了 D3A 在提高模型适应能力方面的有效性。与简单的时间卷积网络（TCN）基准相比，D3A 将均方误差（MSE）平均降低了 43.9%。对于最先进的模型，MSE 降低了 33.3%。

    Mar, 2024

  • 使用整体私有模型集的概念漂移检测

    深度神经网络（DNNs）是最广泛使用的机器学习算法之一。本文关注集成私有 DNNs 的概念来检测概念漂移，并引入一种名为 IPDD 的集成方法，不需要标签即可检测漂移。实验证明该方法在隐私性和效用上具有可比性。

    Jun, 2024

  • 概念漂移下的增量式经验回放连续学习

    提出了一种新的持续性学习方法来同时处理学习和存储新信息以及适应先前概念的变化，该方法引入了一个记忆库和一个反应子空间缓冲区来解决数据流挖掘和连续学习两个领域的问题。

    Apr, 2021

  • 分布式概念漂移下的联邦学习

    本文研究了分布式概念漂移下的联邦学习，提出了两种新的聚类算法以适应数据异质性和时间变化的漂移，并且通过实验验证表明它们的准确性显著优于现有的基线算法，接近理想算法。

    Jun, 2022

  • MemDA：基于记忆的漂移自适应城市时间序列预测

    我们提出了一种新的城市时间序列预测模型，通过考虑数据中的周期性，并使用元动态网络根据漂移进行即时调整，以解决概念漂移问题。实验结果表明，我们的设计明显优于现有方法，并可以通过减小它们对分布变化的敏感性来很好地推广到现有的预测模型。

    Sep, 2023

  • 概念漂移下的学习：一份综述

    本文针对数据流中的概念漂移进行了相关研究，分析法检测，理解和适应等漂移技术的发展趋势，并建立了一个包含三个主要组件的漂移学习框架：概念漂移检测，概念漂移理解和概念漂移适应。同时，本文还列举和讨论了 10 个流行的合成数据集和 14 个公共基准数据集，以评估处理概念漂移的学习算法的性能，涵盖和讨论了概念漂移相关的研究方向。通过提供最新的知识，本综述将直接支持研究人员对概念漂移学习领域的研究发展的理解。

    Apr, 2020

  • 利用自编码器进行无监督的概念漂移遗忘

    本文提出了一种基于自编码器的方法，用于无监督地 “遗忘” 概念漂移，避免重新训练或调整任何操作于数据上的学习模型。

    Nov, 2022

  • 基于概念漂移检测和基于原型的嵌入的图流分类的增量学习

    该研究论文介绍了一种新的图数据流分类方法，能在节点和边随时间变化的情况下进行模型适应的增量学习，选择每个类别的代表图并创建嵌入表示，同时通过基于损失的概念漂移检测机制来重新计算图的代表图。

    Apr, 2024

  • 生成文本流中的漂移方法

    本文提供了四种文本漂移生成方法，以便生成带有标记漂移的数据集，并使用增量分类器测试它们恢复漂移的能力。结果表明，所有方法在漂移后性能都有所下降，增量支持向量机在准确性和宏 F1 得分方面运行速度最快，恢复了之前的性能水平。

    Mar, 2024