面向非平稳环境的多源迁移学习
机器学习
2019-10-10 v2 机器学习
摘要
在数据流挖掘中，预测模型常因概念漂移而出现预测性能下降。由于必须收集足够代表新概念的数据才能学好新概念，现有模型的预测性能通常需一段时间才能从概念漂移中恢复。为加速概念漂移恢复并提升数据流挖掘中的预测性能，本文提出一种称为面向非平稳环境的多源在线迁移学习（Melanie）的新方法。Melanie 是首个能在非平稳环境中于多个数据流源之间迁移知识的方法。它创建若干子分类器，随时间从不同源概念与目标概念学习不同方面。识别与目标概念当前匹配良好的子分类器，并用于组成集成以预测来自目标概念的样例。我们在多个含不同类型概念漂移的合成数据流及真实世界数据流上评估 Melanie。结果表明，Melanie 能应对多种漂移，并通过利用多源提升现有数据流学习算法的预测性能。
引用
@article{arxiv.1901.02052,
title = {Multi-Source Transfer Learning for Non-Stationary Environments},
author = {Honghui Du and Leandro L. Minku and Huiyu Zhou},
journal= {arXiv preprint arXiv:1901.02052},
year = {2019}
}