面向边缘设备的 IoT 数据流挖掘的动态快速决策树
机器学习
2025-12-09 v2 人工智能
网络与互联网体系结构
摘要
物联网生成海量数据流，边缘计算作为实现在线 IoT 应用和 5G 网络的关键使能器。边缘解决方案实现了实时机器学习推理，但也需要持续适应概念漂移。尽管 VFDT 的扩展方法在表格数据流挖掘中保持领先地位，但其无控制的增长限制了效率，尤其是在集成环境中，较少对单个树级别进行后剪枝。本文提出 DFDT，一种面向在线学习的新型内存受限算法。DFDT 采用活动感知预剪枝，根据叶节点的活动水平动态调整分割准则：低活动节点被停用以节省资源，中等活跃度节点在更严格条件下进行分割，高度活跃节点采用跳过机制以加速增长。此外，自适应宽恕期和平局阈值允许 DFDT 根据观察数据变动性调节分割决策，提升准确性-内存-运行时之间的 trade-off，同时最小化超参数调优需求。消融研究揭示了适用于不同资源配置的三种 DFDT 变体。完全兼容现有集成框架，DFDT 提供了标准 VFDT 基于学习器的即插即用替代方案。
引用
@article{arxiv.2502.14011,
title = {DFDT: Dynamic Fast Decision Tree for IoT Data Stream Mining on Edge Devices},
author = {Afonso Lourenço and João Rodrigo and João Gama and Goreti Marreiros},
journal= {arXiv preprint arXiv:2502.14011},
year = {2025}
}
备注
Accepted at 40th Annual AAAI Conference on Artificial Intelligence (AAAI 26)