非平稳环境下基于数据流的具有验证延迟的主动学习

Apr, 2022

非平稳环境下基于数据流的具有验证延迟的主动学习

Stream-based Active Learning with Verification Latency in Non-stationary Environments

Andrea Castellani, Sebastian Schmitt, Barbara Hammer

TL;DR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。

Abstract

data stream classification is an important problem in the field of machine learning. Due to the non-stationary nature of the data where the underlying distribution changes over time (concept drift), the model nee

data stream classification machine learning active learning verification latency concept drift

发现论文，激发创造

借助时间预测损失在感知中利用时间属性进行基于流的主动学习

我们通过利用时间性质和引入一种新的方法，即时预测损失方法 (TPL)，在移动设备和机器人上实现了流媒体主导的主动学习方法。我们还通过比较基于池的方法和基于流媒体的方法，证明了 TPL 方法在感知应用中的高性能，能够显著提高数据选择的多样性和准确性。

Sep, 2023

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

流数据的主动成本感知标记

研究主动标注流数据的问题，提出了一种基于确定性阈值和时间成本依赖性阈值的算法，并考虑了数据输入属于离散或连续域的情况，得到了上限约束模型。通过模拟实验，并在医学和天文学领域进行实际测试，证明了该算法在实验结果上的优势。

Apr, 2023

基于聚类的数据流分类框架

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。

Jun, 2021

基于分类的回归问题的流式主动学习

该研究提出了一种基于回归分类框架的流式主动学习方法，通过将回归问题转化为分类问题，实现了对回归问题的流式主动学习，从而在相同的注释成本下提高了回归准确性。

Sep, 2023

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

具有短回顾的半监督漂移流学习

提出了一种基于生成回放框架的半监督漂移流学习方法，能够解决在机器学习中标记数据有限，数据漂移、历史流数据存储有限以及短视窗下的模型更新等问题。

May, 2022

持续学习中的标签延迟

在线连续学习（online continual learning）对标注延迟（label delay）的处理提出了新的连续学习框架，通过模拟不同时间步长间的未标注数据和标签的延迟关系，引入简单高效的基线方法，在不显著增加计算复杂性的情况下，成功弥合了由于标注延迟引起的准确性下降。

Dec, 2023

强化元主动学习

该论文提出了一种基于强化学习的在线流式元主动学习方法，它从数据中直接学习信息度量，并结合模型训练来训练主动学习器，可应用于一般类别的分类问题，优于现有最先进的方法。

Mar, 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