面向多流分类的概念漂移下在线提升自适应学习

由于在具有概念漂移的动态流处理中需要快速适应，多流分类带来了重大挑战。尽管该领域的研究成果日益增多，但对这些流之间时间动态关系的关注明显不足，导致因不相关数据而产生负迁移问题。在本文中，我们提出了一种新颖的在线提升自适应学习 (OBAL) 方法，通过自适应学习不同流之间的动态相关性来有效解决这一局限性。具体而言，OBAL 以双阶段机制运行：在第一阶段，我们设计了一种自适应协变量偏移适应算法 (AdaCOSA)，利用来自各种源流的存档数据构建初始化集成模型，从而通过自适应重加权策略在缓解协变量偏移的同时学习动态相关性；在在线过程中，我们采用基于高斯混合模型的加权机制，该机制与通过 AdaCOSA 获取的相关性无缝集成，以有效处理异步漂移。该方法显著提高了目标流的预测性能和稳定性。我们在多个合成和真实数据流上进行了全面实验，涵盖了各种漂移场景和类型。结果清楚地表明，OBAL 通过有效利用源自多个流的正向知识，在解决多流分类问题上取得了显著进展。