面向在线流数据概念漂移处理的自适应卷积极限学习机
人工智能
2016-10-10 v1 机器学习
神经与进化计算
摘要
在大数据时代，数据持续生成且其分布可能随时间不断变化。在线数据流中的这些挑战被称为概念漂移。本文提出自适应卷积极限学习机方法（ACNNELM），作为卷积神经网络（CNN）与混合极限学习机（ELM）模型及自适应能力的增强。该方法旨在处理概念漂移。我们将CNN增强为卷积层次特征表示学习器，并与作为并行监督分类器的弹性ELM（ELM）相结合。我们提出自适应OS-ELM（AOS-ELM）用于分类器级别的概念漂移适应性（称为ACNNELM-1），以及矩阵拼接集成用于集成级别的概念漂移适应性（称为ACNNELM-2）。我们提出的自适应CNNELM具有灵活性，在分类器级别和集成级别均表现良好，而当前大多数方法仅提出在其中一个级别上工作。我们在扩展的MNIST数据集和非MNIST数据集上验证了该方法。我们设置实验模拟虚拟漂移、真实漂移和混合漂移事件，并展示了CNNELM的适应性如何工作。与常规ELM和CNN相比，我们提出的方法表现良好，并提供了更好的准确率、计算可扩展性和概念漂移适应性。仍需进一步研究以探索最优参数并使用更多样化的图像数据集。
引用
@article{arxiv.1610.02348,
title = {Adaptive Convolutional ELM For Concept Drift Handling in Online Stream Data},
author = {Arif Budiman and Mohamad Ivan Fanany and Chan Basaruddin},
journal= {arXiv preprint arXiv:1610.02348},
year = {2016}
}
备注
Submitted to IEEE Transactions on Systems, Man and Cybernetics: Systems. Special Issue on Efficient and Rapid Machine Learning Algorithms for Big Data and Dynamic Varying Systems