...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IEEE Transactions on Knowledge and Data Engineering >Online Ensemble Learning of Data Streams with Gradually Evolved Classes
【24h】

Online Ensemble Learning of Data Streams with Gradually Evolved Classes

机译：具有逐步演化的类的数据流的在线集成学习

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Class evolution, the phenomenon of class emergence and disappearance, is an important research topic for data stream mining. All previous studies implicitly regard class evolution as a transient change, which is not true for many real-world problems. This paper concerns the scenario where classes emerge or disappear gradually. A class-based ensemble approach, namely Class-Based ensemble for Class Evolution (CBCE), is proposed. By maintaining a base learner for each class and dynamically updating the base learners with new data, CBCE can rapidly adjust to class evolution. A novel under-sampling method for the base learners is also proposed to handle the dynamic class-imbalance problem caused by the gradual evolution of classes. Empirical studies demonstrate the effectiveness of CBCE in various class evolution scenarios in comparison to existing class evolution adaptation methods.
机译：类演化是类出现和消失的现象，是数据流挖掘的重要研究课题。以前的所有研究都隐含地将类进化视为短暂的变化，这对于许多现实世界中的问题并非如此。本文涉及班级逐渐出现或消失的情况。提出了一种基于类的集成方法，即基于类的类进化集成（CBCE）。通过为每个班级维护一个基础学习者并使用新数据动态更新基础学习者，CBCE可以迅速适应课程发展。还提出了一种新的针对基础学习者的欠采样方法，以解决由班级的逐步演变引起的动态班级不平衡问题。实证研究表明，与现有的班级进化适应方法相比，CBCE在各种班级进化场景中的有效性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号