基于串行交叉混合集成的概念漂移检测及收敛方法

摘要：

概念漂移处理大多采用集成学习策略,然而这些方法多数不能及时提取漂移发生后新分布数据的关键信息,导致模型性能较差.针对这个问题,本文提出一种基于串行交叉混合集成的概念漂移检测及收敛方法(Concept drift detection and convergence method based on hybrid ensemble of serial and cross,SC_ensemble).在流数据处于平稳状态下,该方法通过构建串行基分类器进行集成,以提取代表数据整体分布的有效信息.概念漂移发生后,在漂移节点附近构建并行的交叉基分类器进行集成,提取代表最新分布数据的局部有效信息.通过串行基分类器和交叉基分类器的混合集成,该方法兼顾了流数据包含的整体分布信息,又强化了概念漂移发生时的重要局部信息,使集成模型中包含了较多"好而不同"的基学习器,实现了漂移发生后学习模型的高效融合.实验结果表明,该方法可使在线学习模型在漂移发生后快速收敛,提高了模型的泛化性能.

关键词：流数据、概念漂移、集成学习、串行分类器、交叉分类器、混合集成

所属期刊栏目：37

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金;国家自然科学基金;中央引导地方科技发展资金;山西省自然科学基金;山西省重点研发计划项目

在线出版日期：2022-10-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：997-1011