非平稳数据流中的多标签迁移学习
机器学习
2025-09-11 v1 人工智能
摘要
多标签数据流中的标签概念在非平稳环境中常常会独立或相互关联地经历漂移。将知识在相关标签之间进行迁�移可加速适应过程，但针对数据流的多标签迁移学习的研究仍有限。为此，本文提出两种新型迁移学习方法：BR-MARLENE 利用源流和目标流中不同标签之间的知识进行多标签分类；BRPW-MARLENE 在此基础上显式建模和迁移标签之间的两两标签依赖关系，以提升学习性能。综合实验表明，这两种方法在非平稳环境下均优于现有的多标签流方法，表明了跨标签知识迁移在提高预测性能方面的有效性。
引用
@article{arxiv.2509.08181,
title = {Multi-Label Transfer Learning in Non-Stationary Data Streams},
author = {Honghui Du and Leandro Minku and Aonghus Lawlor and Huiyu Zhou},
journal= {arXiv preprint arXiv:2509.08181},
year = {2025}
}
备注
Accepted at IEEE International Conference on Data Mining (ICDM) 2025