AiGAS-dEVL-RC：面向递归漂移的自适应增长神经形状模型
机器学习
2025-04-11 v2 神经与进化计算
摘要
概念漂移和极端验证延迟在数据流学习中构成重大挑战，尤其是当面对动态环境中的循环概念变化时。本文引入一种基于Growing Neural Gas（GNG）算法的新方法，旨在有效处理突发性递归漂移，同时适应逐渐演化的数据分布（增量漂移）。利用GNG的自组织特性和拓扑适应性，该方法维持紧凑且信息丰富的记忆结构，使其能够在延迟或稀疏流监督条件下高效存储和检索过去或循环概念的知识。我们的实验表明，该方法在现有数据流学习方法上优于这些方法，这些方法专为应对增量非平稳性和验证延迟而设计，显示出快速适应新漂移、稳健管理循环模式以及以最小内存占用保持高预测准确性的能力。与其他无法利用循环知识的技术不同，我们的方法被证明是一种稳健且高效的无监督漂移数据流的在线学习解决方案。
引用
@article{arxiv.2504.05761,
title = {AiGAS-dEVL-RC: An Adaptive Growing Neural Gas Model for Recurrently Drifting Unsupervised Data Streams},
author = {Maria Arostegi and Miren Nekane Bilbao and Jesus L. Lobo and Javier Del Ser},
journal= {arXiv preprint arXiv:2504.05761},
year = {2025}
}
备注
Copyright 2025 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works