面向物联网数据流的轻量级概念漂移检测与适应框架
机器学习
2021-05-27 v1 人工智能
摘要
近年来,随着“智能技术”的日益普及,物联网(IoT)设备和系统的数量显著激增。各种物联网服务与功能基于对物联网流数据的分析。然而,由于物联网系统的动态特性以及物联网数据流模式的不断变化,物联网数据分析面临概念漂移挑战。在本文中,我们提出了一种基于优化LightGBM和概念漂移适应的自适应物联网流数据异常检测分析框架。提出了一种名为优化自适应与滑动窗口(OASW)的新型漂移适应方法,以适应在线物联网数据流的模式变化。在两个公开数据集上的实验表明,与其他最先进(state-of-the-art)方法相比,我们提出的自适应LightGBM模型具有高精度和高效率。所提出的自适应LightGBM模型能够在无人工干预的情况下对物联网数据流进行持续学习和漂移适应。
引用
@article{arxiv.2104.10529,
title = {A Lightweight Concept Drift Detection and Adaptation Framework for IoT Data Streams},
author = {Li Yang and Abdallah Shami},
journal= {arXiv preprint arXiv:2104.10529},
year = {2021}
}
备注
Accepted and to appear in IEEE Internet of Things Magazine; Code is available at Github link:https://github.com/Western-OC2-Lab/OASW-Concept-Drift-Detection-and-Adaptation