面向不平衡数据流的概念漂移感知多记忆模型
机器学习
2021-03-29 v1 人工智能
摘要
在线类不平衡学习处理同时受概念漂移与类不平衡影响的数据流。在线学习试图在利用先前学到的信息与将新信息纳入模型之间找到权衡。这既要求模型增量更新,也要求具备遗忘过时信息的能力。然而,不当的遗忘会导致回溯性干扰问题,即新学信息干扰旧信息、阻碍对已学信息回忆的现象。当各类别 representation 不均等时,该问题更为严重,会导致少数类信息从模型中被移除。本文提出概念漂移感知多记忆模型(DAM3),解决基于记忆的模型在在线学习中的类不平衡问题。DAM3 通过引入不平衡敏感的漂移检测器、在模型中保持各类别的均衡表示,并利用工作记忆防止旧信息被遗忘,从而缓解回溯性干扰。我们在真实与合成数据集上的实验表明,所提方法缓解了类不平衡,并优于当前最优(state-of-the-art)方法。
引用
@article{arxiv.2012.14791,
title = {Drift-Aware Multi-Memory Model for Imbalanced Data Streams},
author = {Amir Abolfazli and Eirini Ntoutsi},
journal= {arXiv preprint arXiv:2012.14791},
year = {2021}
}