面向演化数据流分类的流式主动深度森林
机器学习
2020-02-28 v1 机器学习
摘要
近年来，深度神经网络（DNNs）在机器学习的许多领域获得了逐步的势头。DNNs 的逐层处理过程启发了许多深度模型的发展，包括深度集成。最著名的基于深度集成的模型是 Deep Forest，与 DNNs 相比，它能在超参数少得多的情况下取得极具竞争力的性能。尽管在批量学习设定中取得了巨大成功，但尚未有工作将 Deep Forest 适配到演化数据流的情境。在本工作中，我们引入流式深度森林（SDF）算法，一种专为流分类设计的高性能深度集成方法。我们还提出增强变量不确定性（AVU）主动学习策略，以降低流式情境下的标注成本。我们在广泛的数据集上将所提方法与最先进的流式算法进行比较。结果表明，遵循 AVU 主动学习策略，仅使用 70% 标注预算的 SDF 显著优于用全部实例训练的其他方法。
引用
@article{arxiv.2002.11816,
title = {Streaming Active Deep Forest for Evolving Data Stream Classification},
author = {Anh Vu Luong and Tien Thanh Nguyen and Alan Wee-Chung Liew},
journal= {arXiv preprint arXiv:2002.11816},
year = {2020}
}
备注
7 pages, 5 figures, 2 tables