Oct, 2022

评估 k-NN 在带概念漂移的数据流分类中的应用

PDF
TL;DR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。
data streamsconcept driftclassification algorithmsk-nearest neighborsrun-time constraint
发现论文，激发创造
  • 利用社交网络理论检测回归任务中的概念漂移进展

    本文提出了一种基于社交网络理论的动态集合方法：Scale-free Network Regressor（SFNR），以检测数据流中的概念漂移。通过使用 Adaptive Window 算法，我们实现了更好的性能和准确性，尤其是在概念漂移的情况下，并与其他现有算法进行了比较。

    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

  • 使用 Kullback-Leibler 散度跟踪变化的连续学习

    介绍了一种利用 Kullback-Leibler 散度来监控多维数据流概率分布变化，以预测概念漂移事件并了解其本质的新方法，并探讨了其在预测维护等实际任务中的应用。

    Oct, 2022

  • 一种基于邻居搜索的差异性漂移检测方案，用于学习进化数据

    基于 Neighbor-Searching Discrepancy 的新统计量，提出了一种能够高准确率检测真实概念漂移并忽略虚假漂移的方法，同时还能指示分类边界变化的方法。实验结果表明，该方法在不同分布和维度下具有鲁棒性，并且在漂移检测方面优于现有方法。

    May, 2024

  • 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

  • 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

  • 数据流中概念漂移局部性的全面分析

    在线学习中，适应漂移数据流是一个重要挑战。本文提出了一种基于局部性和尺度的概念漂移分类方法，并构建了一套 2760 个基准问题，用于评估不同难度级别的漂移检测器。通过对 9 种前沿漂移检测器的综合评估，揭示了它们的优势和弱点，并为未来的研究提供了策略。研究结果还表明漂移的局部性如何影响分类器性能，并提出了不同漂移类别的恢复时间最小化策略。最后，总结了对未来概念漂移研究的经验教训和建议。

    Nov, 2023

  • 演化数据流的多样自适应学习器库和堆叠式快速 Hoeffding 漂移检测方法

    该研究提出 Tornado 框架，它实现了一些不同学习风格的分类器和各种漂移检测算法，用于构建模型以针对不断变化的数据流，评估结果表明，最佳分类器与检测器选择不仅取决于数据流的特征而且会随着流的变化而演变。

    Sep, 2017

  • 学习的 k-NN 距离估计

    提出了一种利用全连接神经网络模型和支点来快速准确地估计查询的 k-NN 距离的机器学习技术。实验结果表明，该方法在大数据挖掘和近距离数据分析方面具有高效和有效的优势。

    Aug, 2022

  • 动态数据集上的近似最近邻搜索：一项调查

    近似 k 最近邻（ANN）方法常用于大规模高维数据集上的信息挖掘和机器学习，针对动态数据集和在线特征学习等应用，我们通过实证评估了 5 种流行的 ANN 方法，结果表明在动态数据集中，k-d 树方法不适用，并且在在线数据收集和在线特征学习方面，层次可导航小世界图方法和可扩展最近邻方法分别比基线方法更快速。

    Apr, 2024