在线类不平衡学习与概念漂移的系统性研究
机器学习
2017-03-21 v1
摘要
作为一个新兴研究课题，在线类不平衡学习常结合类不平衡与概念漂移的双重挑战。它处理具有高度偏斜类分布且可能发生重大概念漂移的数据流。近来受到更多研究关注；然而，极少工作解决类不平衡与概念漂移共存的复合问题。作为首个处理类不平衡数据流中概念漂移的系统性研究，本文首先全面回顾该领域当前研究进展，包括当前研究重点与开放挑战。随后，进行了深入实验研究，旨在理解如何最好地克服在线不平衡学习中的概念漂移。基于分析，提出了开发有效算法的总体指南。
引用
@article{arxiv.1703.06683,
title = {A Systematic Study of Online Class Imbalance Learning with Concept Drift},
author = {Shuo Wang and Leandro L. Minku and Xin Yao},
journal= {arXiv preprint arXiv:1703.06683},
year = {2017}
}