基于自组织映射的多标签流分类
机器学习
2020-04-21 v1 机器学习
摘要
已有若干学习算法被提出用于离线多标签分类。然而，交通监控、社交网络与传感器等领域持续产生所谓数据流，对批量多标签学习提出挑战。由于数据流分布缺乏平稳性，需要新算法在线适应此类变化（概念漂移）。此外，在实际应用中，变化发生于无限延迟标签场景下，即到达实例的真实类别永不可用。我们提出一种基于自组织映射的在线无监督增量方法，用于无限延迟标签的多标签流分类。在分类阶段，我们使用k近邻策略计算映射中的获胜神经元，通过在线调整神经元权重向量与数据集标签基数来适应概念漂移。我们利用贝叶斯规则与各神经元输出预测每个实例的标签，适应流中各类的概率与条件概率。基于合成与真实数据集的实验表明，我们的方法在平稳与概念漂移场景下均与文献中若干方法极具竞争力。
引用
@article{arxiv.2004.09397,
title = {Multi-label Stream Classification with Self-Organizing Maps},
author = {Ricardo Cerri and Joel David Costa Júnior and Elaine Ribeiro de Faria Paiva and João Manuel Portela da Gama},
journal= {arXiv preprint arXiv:2004.09397},
year = {2020}
}
备注
7 pages, 14 figures