面向漂移数据流在线学习的自适应深度森林
机器学习
2020-10-16 v1
摘要
从数据流中学习是当代数据挖掘最重要的领域之一。对这些潜在无界数据源所产生信息的在线分析，使得构建能够随连续数据流动而自我调整的响应式最新模型成为可能。尽管针对较简单的低维流问题已提出大量浅层方法，但几乎无一解决从复杂上下文数据（如图像或文本）中学习的问题。前者主要由已被证明在流场景中非常高效的自适应决策树代表；后者则主要由离线深度学习处理。本工作中，我们试图弥合这两个世界之间的鸿沟，提出自适应深度森林(ADF)——一种成功的基于树的流分类器与深度森林的自然结合，后者代表了从上下文数据学习的一种有趣替代思路。实验表明，深度森林方法可有效转化为在线算法，形成优于所有最先进浅层自适应分类器（尤其对于高维复杂流）的模型。
引用
@article{arxiv.2010.07340,
title = {Adaptive Deep Forest for Online Learning from Drifting Data Streams},
author = {Łukasz Korycki and Bartosz Krawczyk},
journal= {arXiv preprint arXiv:2010.07340},
year = {2020}
}
备注
28 pages, 8 figures, 6 tables