基于历史知识利用的概念漂移适应
机器学习
2017-02-14 v1
摘要
具有概念漂移的增量学习通常通过集成方法来解决，其中过去构建的模型可以被重新训练以获得针对当前数据的新模型。在开发用于概念漂移增量学习的集成方法时，需要解决两个设计问题，即应保留哪些历史（即先前训练的）模型以及如何利用它们。本文提出一种新颖的集成学习方法，即基于多样性与迁移的集成学习(Diversity and Transfer based Ensemble Learning, DTEL)。给定新到达的数据，DTEL 将每个保留的历史模型作为初始模型，并通过迁移学习用新数据进一步训练它。此外，DTEL 保留一组多样化的历史模型，而非仅就分类精度而言准确的历史模型集合。在 15 个合成数据流和 4 个真实世界数据流（均含概念漂移）上的实证研究表明，DTEL 比 4 种其他最先进(state-of-the-art)方法能更有效地处理概念漂移。
引用
@article{arxiv.1702.03500,
title = {Concept Drift Adaptation by Exploiting Historical Knowledge},
author = {Yu Sun and Ke Tang and Zexuan Zhu and Xin Yao},
journal= {arXiv preprint arXiv:1702.03500},
year = {2017}
}
备注
First version