计算机研究与发展

作者：郭虎升,丛璐,高淑花,王文剑,

关键词：流数据, 概念漂移, 在线集成, 增量学习, 自适应模型,

针对流数据中概念漂移发生后，在线学习模型不能对分布变化后的数据做出及时响应且难以提取数据分布的最新信息，导致学习模型收敛较慢的问题，提出一种基于在线集成的概念漂移自适应分类方法（adaptiveclassificationmethodforconceptdriftbasedononlineensemble，AC_OE）.一方面，该方法利用在线集成策略构建在线集成学习器，对数据块中的训练样本进行局部预测以动态调整学习器权重，有助于深入提取漂移位点附近流数据的演化信息，对数据分布变化进行精准响应，提升在线学习模型对概念漂移发生后新数据分布的适应能力，提高学习模型的实时泛化性能；另一方面，利用增量学习策略构建增量学习器，并随新样本的进入进行增量式的训练更新，提取流数据的全局分布信息，使模型在平稳的流数据状态下保持较好的鲁棒性.实验结果表明，该方法能够对概念漂移做出及时响应并加速在线学习模型的收敛速度，同时有效提高学习器的整体泛化性能.

来源：2023年第7期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2023年第7期