面向在线类不平衡学习的基于队列的重采样
机器学习
2020-09-02 v2 机器学习
摘要
在线类不平衡学习是一个新问题与新兴研究课题，聚焦于类不平衡与概念漂移下的在线学习挑战。类不平衡处理具有高度偏斜分布的数据流，而概念漂移处理类不平衡状态的变化。解决这些挑战的工作甚少，本文我们引入基于队列的重采样，一种成功应对类不平衡与概念漂移共存的新型算法。所提重采样算法的核心思想是选择性地将过去出现的样例子集纳入训练集。在两个流行基准数据集上的结果表明，基于队列的重采样在学习速度与质量方面优于最先进的方法。
引用
@article{arxiv.1809.10388,
title = {Queue-based Resampling for Online Class Imbalance Learning},
author = {Kleanthis Malialis and Christos G. Panayiotou and Marios M. Polycarpou},
journal= {arXiv preprint arXiv:1809.10388},
year = {2020}
}
备注
Keywords: online learning, class imbalance, concept drift, resampling, neural networks, data streams. In: 2018 International Conference on Artificial Neural Networks (ICANN)