MMSep, 2023

使用动态集成选择的不均衡数据流分类

PDF
TL;DR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。
streaming data categorizationconcept driftclass imbalancedata preprocessingdynamic ensemble selection
发现论文，激发创造
  • 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

  • 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

  • 进化集成模糊分类器

    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。

    May, 2017

  • 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

  • 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

  • 针对网络入侵检测数据集特征调整的集成分类器设计

    本文针对 UNSW-NB15 数据集的类不平衡和特征空间中的类重叠问题，提出了一种机器学习分类器的数据驱动设计和性能评估方法，其中使用 Balanced Bagging、eXtreme Gradient Boosting、Hellinger Distance Decision Tree 等集成方法来解决不平衡数据问题，提出了两种新的算法来解决类重叠问题，并提高了测试数据的分类性能。实验证明，相比已有技术，该方法在二元和多种情况下均有显著优势。

    May, 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

  • 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

  • 多标签流分类中的效率与有效性平衡及缺失标签健壮性提供

    我们提出了基于神经网络的方法来处理高维度多标签分类问题，在数据流环境下通过选择性概念漂移适应机制，使用简单但有效的标签缺失填补策略，基于权重二元关联方法和广义集成学习系统来平衡效果与效率，并通过实验验证了该方法对于缺失标签和概念漂移的鲁棒性。

    Oct, 2023