非平衡数据流在线主动学习方法
文献类型：期刊论文
| 作者 | 李艳红; 任霖; 王素格; 李德玉 |
| 刊名 | 自动化学报
 |
| 出版日期 | 2024 |
| 卷号 | 50期号:7页码:1389-1401 |
| 关键词 | 主动学习 数据流分类 多类非平衡 概念漂移 |
| ISSN号 | 0254-4156 |
| DOI | 10.16383/j.aas.c211246 |
| 英文摘要 | 数据流分类是数据流挖掘领域一项重要研究任务, 目标是从不断变化的海量数据中捕获变化的类结构. 目前, 几乎没有框架可以同时处理数据流中常见的多类非平衡、概念漂移、异常点和标记样本成本高昂问题. 基于此, 提出一种非平衡数据流在线主动学习方法(Online active learning method for imbalanced data stream, OALM-IDS). AdaBoost是一种将多个弱分类器经过迭代生成强分类器的集成分类方法, AdaBoost.M2引入了弱分类器的置信度, 此类方法常用于静态数据. 定义了基于非平衡比率和自适应遗忘因子的训练样本重要性度量, 从而使AdaBoost.M2方法适用于非平衡数据流, 提升了非平衡数据流集成分类器的性能. 提出了边际阈值矩阵的自适应调整方法, 优化了标签请求策略. 将概念漂移程度融入模型构建过程中, 定义了基于概念漂移指数的自适应遗忘因子, 实现了漂移后的模型重构. 在6个人工数据流和4个真实数据流上的对比实验表明, 提出的非平衡数据流在线主动学习方法的分类性能优于其他5种非平衡数据流学习方法. |
| 源URL | [http://ir.ia.ac.cn/handle/173211/58793]  |
| 专题 | 自动化研究所_学术期刊_自动化学报 |
| 推荐引用方式 GB/T 7714 | 李艳红,任霖,王素格,等. 非平衡数据流在线主动学习方法[J]. 自动化学报,2024,50(7):1389-1401. |
| APA | 李艳红,任霖,王素格,&李德玉.(2024).非平衡数据流在线主动学习方法.自动化学报,50(7),1389-1401. |
| MLA | 李艳红,et al."非平衡数据流在线主动学习方法".自动化学报 50.7(2024):1389-1401. |
入库方式： OAI收割
来源：自动化研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。