IJCAIJun, 2021

基于聚类的数据流分类框架

PDF
TL;DR本文提出了一种基于聚类的数据流分类框架，通过采用基于密度的流聚类算法，结合动态阈值和有效的主动标签查询策略，处理非平稳数据流，解决了标注的初始集问题和重叠类别之间的分类挑战。同时对聚类中的子簇结构进行探索，有效的解决了类别之间的重叠问题。实验结果和定量比较研究表明，该方法提供了比现有方法更好或可比较的性能。
发现论文，激发创造
  • 数据流聚类：一篇综述

    该文综述了数据流聚类算法的基本概念和特点，对不同算法进行了对比分析，讨论了数据流聚类存在的问题和挑战。

    Jul, 2020

  • 无限非平稳聚类的流式推断

    本文提出了一种新的聚类算法，利用动态中餐馆过程（Dynamical CRP）来处理非平稳的流数据，并展示了在多样化数据集中实施的实验结果。

    May, 2022

  • 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

  • 数据流聚类：挑战和问题

    本文探讨数据流聚类的不同问题定义、特定困难以及各种方法的基础，以及如何解决不同问题。

    Jun, 2010

  • 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

  • 非平稳环境下基于数据流的具有验证延迟的主动学习

    本文研究了有关时间变量和未知延迟验证对于主动学习问题的影响，提出了一种基于 PRopagate 和一个依据漂移情况的动态预算策略的解决方案。通过实验评估，发现该方法在不同的延迟时间和预算设置下优于现有技术。此外，还证明了在时间上变化预算分配可以提高主动学习策略的性能，而不增加总体标记预算。

    Apr, 2022

  • 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

  • 通过探索密度山的演变对数据流进行聚类

    本文提出了一种基于密度山演化的流式聚类算法 EDMStream，该算法通过跟踪密度山的变化来更新聚类结果和捕捉聚类演化活动，同时提供了高效的数据结构和过滤方案，确保了实时更新，实现了在线聚类。实验结果表明，相比于现有的流式聚类算法，如 D-stream，DenStream，DBSTREAM 和 MR-stream，我们的算法对于群集更新的响应速度快得多（比竞争对手的最佳表现快 7-15 倍），同时达到了相当的群集质量，成功捕捉了群集演化活动。

    Oct, 2017

  • 评估 k-NN 在带概念漂移的数据流分类中的应用

    研究比较不同算法对数据流分类的表现，提出 k-Nearest Neighbors 作为一种应对 concept drift 的可靠算法，并探讨了其时间复杂度和需要调整的参数 k 和 w。通过对比实验表明，k-NN 是一种值得采用的算法，能够在不太苛刻的时间约束下实现对数据流的分类。

    Oct, 2022