May, 2017

进化集成模糊分类器

PDF
TL;DR本文提出了一种新的演化集成分类器，称为 Parsimonious Ensemble pENsemble，该方法由一种被称为 Parsimonious Classifier pClass 的演化分类器构建，具有动态的特征选择和集成结构，并具有检测漂移的新颖方案，在处理动态和演化数据流方面表现最有希望，可以在精度和复杂度之间实现平衡。
ensemble learningnon-stationary data streamsevolving classifiersonline feature selectiondrift detection
发现论文，激发创造
  • 基于进化种群的极端验证延迟数据流分类

    使用进化的、基于群体的方法来适应变化的效果的初步研究。维护每个类别的一个一类分类器集合，通过选择压力迫使集合适应数据流中的潜在变化。

    Dec, 2023

  • 使用动态集成选择的不均衡数据流分类

    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

  • 特征可变流数据下的学习

    本文提出了一种新的学习范式：可变特征流式学习，通过恢复消失的特征来提高性能，开发了两种集成方法与实验数据验证了我们的提议的有效性。

    Jun, 2017

  • 演化算法实现的集成学习免费方案

    本文介绍了一种基于进化集成学习方法的新型适应度函数及分类器集成选择标准，实验表明离线模式优于单一假设的进化学习和现有的增强学习算法，并生成更小的分类器集成。

    Apr, 2007

  • 数据流的差分隐私集成分类器

    该论文提出了一种基于隐私保护的集成学习方法，旨在应对连续数据流且涉及数据漂移的场景，该方法可以应对不断增长的数据流以及模型的升级更新，并适用于不同类型的预训练隐私分类 / 回归模型。在实际和模拟数据集上进行的实验表明，在不同的隐私、概念漂移和数据分布设置下，该方法表现优异。

    Dec, 2021

  • DynED：数据流分类中的动态集成多样化

    提出了一种基于最大边际相关性（Maximal Marginal Relevance）的全新集成构建和维护方法（DynED），该方法在构建集成的过程中动态地将组件的多样性和预测准确性进行结合，实验结果表明，与五种最新方法相比，该方法在四个真实和 11 个合成数据集上提供了更高的平均准确度。

    Aug, 2023

  • 演化多标记模糊分类器

    本文提出了一种自适应、自进化的模糊多标记分类器，结合相关性算法、权重最小二乘法和 Lasso 正则化，实现递增式单遍分类，并提供在线主动学习策略和产品空间聚类，其中分类器更新所需的样本数减少了 90％，但几乎不会影响分类精度。

    Mar, 2022

  • META-DES：一种使用元学习的动态集成选择框架

    本文提出了一个新颖的基于元学习的动态集成选择框架，用于提高过低训练数据量问题下的分类精度，通过五个不同类型的元特征来衡量分类器为输入样本分类的能力，并用这些元特征来训练元分类器，从而选择最有能力的分类器进行集成。

    Sep, 2018

  • 不平衡数据流的在线集成学习

    该论文提出了一个新的学习框架，结合了在线集成算法和成批的代价敏感采样 / 提升算法，有效地解决了同时处理代价敏感学习和在线学习的问题。

    Oct, 2013

  • 持续原型演变：从非稳态数据流中在线学习

    通过在共享的潜变量空间中不断更新原型解决了在线学习中原型过时和缓解遗忘的问题，提出了一种学习和预测任意时间点数据的系统。除了最近邻预测之外，通过提高类原型周围的聚类密度和增加类间方差来促进学习的同时，使用记忆库中的样本构成虚拟原型来提高潜在空间质量。

    Sep, 2020