×
于树坚;祖宾·亚伯拉罕;王恒;沙阿，莫霍克;魏燕涛;何塞·C·普林西佩。

概念漂移检测和适应与分层假设检验。 （英语） Zbl 1453.62558号

J.富兰克林研究所。 356，第5号，3187-3215（2019）.
摘要：流媒体环境中统计分类模型的一个基本问题是，预测变量和响应变量之间的联合分布会随着时间的推移而变化（这种现象也称为概念漂移），因此它们的分类性能会急剧恶化。在本文中，我们首先提出了一个层次假设检验（HHT）框架，该框架可以检测并适应各种概念漂移类型（例如，反复或不规则、渐进或突然），即使存在不平衡的数据标签。随后，在HHT框架下实现了一种新的概念漂移检测器，即分层线性四速率（HLFR）。通过用自适应训练策略替代公认的再训练方案，我们进一步证明HLFR的概念漂移适应能力可以显著提高。对HLFR的I型和II型误差进行了理论分析。在模拟数据集和真实数据集上的实验表明，我们的方法在检测精度、检测延迟以及对不同概念漂移类型的适应性方面都优于最新的方法。

引用于2文件

MSC公司：

62H30型 分类和区分；聚类分析（统计方面）
62H15型 多元分析中的假设检验

关键词：

统计分类模型;层次假设检验
PDF格式BibTeX公司 XML格式引用
\textit{S.Yu}等人，J.Franklin Inst.356，No.5，3187-3215（2019；Zbl 1453.62558）
全文： 内政部 arXiv公司

参考文献：

[1] Yu，S。；Abraham，Z.，概念漂移检测与分层假设检验，2017年SIAM国际数据挖掘会议论文集，768-776（2017）
[2] 斯拉瓦基斯，K。；Kim，S.-J。；马特奥斯，G。；Giannakis，G.B.，大数据分析在线学习的随机近似[课堂讲稿]，IEEE信号处理。Mag.，31，6，124-129（2014）
[3] 胡，H。；温，Y。；Chua，T.-S。；Li，X.，《面向大数据分析的可扩展系统：技术教程》，IEEE Access，2652-687（2014）
[4] 马萨诸塞州巴斯维尔。；尼基福罗夫，I.V.，《突变检测：理论与应用》，104（1993），普伦蒂斯·霍尔-恩格尔伍德悬崖·Zbl 1407.62012年
[5] 贾马，J。；《狮子座》，I。；Bifet，A。；Pechenizkiy，M。；Bouchachia，A.，概念漂移适应调查，ACM计算。调查。，46, 4, 44 (2014) ·Zbl 1305.68141号
[6] 王，S。；Minku，L.L。；Yao，X.，关于概念漂移的在线课堂不平衡学习的系统研究，IEEE Trans。神经网络。学习。系统。，29, 10, 4802-4821 (2018)
[7] Ross，G.J。；亚当斯，新墨西哥州。；Tasoulis，D.K。；Hand，D.J.，检测概念漂移的指数加权移动平均图，模式识别。莱特。，3319198年2月33日（2012年）
[8] Widmer，G。；Kubat，M.，《在概念漂移和隐藏背景下的学习》，马赫。学习。，23, 1, 69-101 (1996)
[9] Klinkenberg，R.，《学习漂移概念：示例选择与示例权重》，英特尔。数据分析。，8, 3, 281-300 (2004)
[10] Bifet，A。；Gavalda，R.，通过自适应窗口从时变数据中学习，2007年SIAM国际数据挖掘会议论文集，443-448（2007）
[11] 杜，L。；宋，Q。；Jia，X.，检测概念漂移：使用自适应滑动窗口的基于信息熵的方法，Intel。数据分析。，18, 3, 337-364 (2014)
[12] 西北部街道。；Kim，Y.，用于大规模分类的流集成算法（sea），第七届ACM SIGKDD国际知识发现和数据挖掘会议论文集，377-382（2001）
[13] Katakis，I。；Tsoumakas，G。；Vlahavas，I.，《使用集合分类器跟踪重复出现的上下文：电子邮件过滤应用》，Knowl。通知。系统。，22, 3, 371-391 (2010)
[14] Katakis，I。；Tsoumakas，G。；Vlahavas，I.P.，用于处理数据流中重复出现的上下文的分类器集合。，欧洲人工智能会议记录，763-764（2008）
[15] R.Elwell。；Polikar，R.，非平稳环境中概念漂移的增量学习，IEEE Trans。神经网络。，22, 10, 1517-1531 (2011)
[16] 贾马，J。；梅达斯，P。；卡斯蒂略，G。；罗德里格斯，P.，《漂移检测学习》，《巴西人工智能研讨会论文集》，286-295（2004），斯普林格出版社·Zbl 1105.68376号
[17] 王，S。；Minku，L.L。；Ghezzi，D。；Caltabiano，D。；蒂诺，P。；Yao，X.，在线课堂不平衡学习的概念漂移检测，IEEE神经网络国际联合会议论文集，1-10（2013）
[18] Wang，H。；Abraham，Z.，流数据的概念漂移检测，IEEE国际神经网络联合会议（IJCNN）论文集，1-9（2015）
[19] Antwi博士。；Viktor，H.L。；Japkowicz，N.，《不平衡数据中概念漂移检测的perfsim算法》，《2012年IEEE国际数据挖掘研讨会论文集》，619-628（2012）
[20] Alippi，C。；Boracchi，G。；Roveri，M.，分层、非参数、顺序变化检测测试，IEEE国际神经网络联合会议（IJCNN）会议记录，2889-2896（2011）
[21] Alippi，C。；Boracchi，G。；Roveri，M.，《分层变更检测测试》，IEEE Trans。神经网络。学习。系统。，28, 2, 246-258 (2017)
[22] Alippi，C。；Boracchi，G。；Roveri，M.，用于递归概念的实时分类器，IEEE Trans。神经网络。学习。系统。，24, 4, 620-634 (2013)
[23] Minku，L.L。；怀特，A.P。；Yao，X.，《概念漂移下多样性对在线集成学习的影响》，IEEE Trans。知识。数据工程，22，5，730-742（2010）
[24] Minku，L.L。；Yao，X.，Ddd：处理概念漂移的新集成方法，IEEE Trans。知识。数据工程，24，4，619-633（2012）
[25] 孙，Y。；Tang，K。；Zhu，Z。；Yao，X.，《利用历史知识进行概念漂移调整》，IEEE Trans。神经网络。学习。系统。(2018)
[26] 多明戈斯，P。；Hulten，G.，《挖掘海量数据流的通用框架》，J.Compute。图表。《统计》，第12、4、945-949页（2003年）
[27] Krawczyk，B。；Minku，L.L。；贾马，J。；Stefanowski，J。；Woźniak，M.，《数据流分析的集成学习：调查》，Inform。保险丝。，37, 132-156 (2017)
[28] Kelly，M.G。；Hand，D.J。；Adams，N.M.，《人口变化对分类器性能的影响》，第五届ACM SIGKDD国际知识发现和数据挖掘会议论文集，367-371（1999）
[29] Widmer，G。；Kubat，M.，通过显式上下文跟踪在动态环境中进行有效学习，《欧洲机器学习会议论文集》，227-243（1993）
[30] 哈雷，M。；曼诺，S。；El-Yaniv，R。；Crammer，K.，通过重采样进行概念漂移检测。，《国际机器学习大会论文集》，1009-1017（2014）
[31] 桑德伯格，I.W。；Lo，J.T。；范考特，C.L。；普林西比，J.C。；Katagiri，S。；Haykin，S.，非线性动力学系统：前馈神经网络视角，21（2001），John Wiley&Sons
[32] 布罗茨基，E。；Darkhovsky，B.S.，《变点问题中的非参数方法》，243（2013），Springer Science&Business Media
[33] 陈，J。；Gupta，A.K.，《参数统计变化点分析：在遗传学、医学和金融方面的应用》（2011），施普林格科学与商业媒体
[34] Sethi，T.S。；Kantardzic，M.，关于从流式未标记数据中可靠检测概念漂移，专家系统。申请。，82, 77-99 (2017)
[35] Vapnik，V.，《学习理论风险最小化原则》，《神经信息处理系统（NIPS）进展论文集》，831-838（1991）
[36] 苏扎，V.M。；席尔瓦，D.F。；贾马，J。；Batista，G.E.，基于非平稳环境和极端验证延迟的聚类引导的数据流分类，2015年SIAM国际数据挖掘会议论文集，873-881（2015）
[37] Baena-电弧a，M。；德尔坎波-阿维拉，J。；费达尔戈，R。；Bifet，A。；加瓦尔达，R。；Morales-Bueno，R.，早期漂移检测方法，第四届数据流知识发现国际研讨会论文集，677-86（2006）
[38] 西田，K。；Yamauchi，K.，使用统计测试检测概念漂移，《发现科学国际会议论文集》，264-269（2007）
[39] 里德·J。；Bifet，A。；普法林格，B。；Holmes，G.，动态和演化数据中的批量增量与实例增量学习，《智能数据分析进展》XI，313-323（2012）
[40] 弗莱亚斯·布兰科，I。；德尔坎波-阿维拉，J。；Ramos-Jiménez，G。；莫拉莱斯·布诺，R。；Ortiz-Díaz，A。；Caballero-Mota，Y.，基于hoefffding界限的在线和非参数漂移检测方法，IEEE Trans。知识。数据工程，27，3，810-823（2015）
[41] Gonçalves，P.M。；de Carvalho Santos，S.G。；巴罗斯，R.S。；Vieira，D.C.，《概念漂移检测器的比较研究》，专家系统。申请。，41, 18, 8144-8156 (2014)
[42] Principe，J.C.（普林西比，J.C.）。；Chalasani，R.，《感官处理的认知结构》，Proc。IEEE，102，4，514-525（2014）
[43] Alippi，C。；Boracchi，G。；Roveri，M.，使用ICI规则的变化检测测试，IEEE国际神经网络联合会议（IJCNN）会议记录，1-7（2010）
[44] Helstrom，C.W.，《信号检测的统计理论》（1968），佩加蒙出版社：美国纽约州纽约市佩加蒙出版公司·Zbl 0115.13102号
[45] Siegmund，D.，《序列分析：测试和置信区间》（1985），纽约斯普林格出版社·Zbl 0573.62071号
[46] 杜，L。；宋，Q。；朱，L。；Zhu，X.，用于概念漂移检测的选择性检测器集成，计算。J.，3（2015）
[47] 马谢尔，B.I.F。；桑托斯，S.G.T.C。；Barros，R.S.M.，轻量级概念漂移检测集成，2015 IEEE人工智能工具国际会议论文集，1061-1068（2015）
[48] 王，S。；Minku，L.L。；Yao，X.，《在线课堂不平衡学习的学习框架》，IEEE计算智能与集成学习研讨会论文集，36-45（2013）
[49] Good，P.，《置换测试：测试假设的重采样方法实用指南》（2013），Springer Science&Business Media
[50] Woźniak，M。；Ksieniewicz，P。；Cyganek，B。；Walkowiak，K.，异质概念漂移检测器集成-实验研究，IFIP计算机信息系统和工业管理国际会议论文集，538-549（2016），Springer
[51] 巴蒂，D。；科戈西，P。；Rattihalli，R.N.，贝努利随机变量几何加权和的分布，应用。数学。，2, 11, 1382 (2011)
[52] O.布斯克。；Elisseeff，A.，稳定性和泛化，J.Mach。学习。决议，2，3月，499-526（2002）·Zbl 1007.68083号
[53] Ditzler，G。；Polikar，R.，流不平衡数据概念漂移的增量学习，IEEE Trans。知识。数据工程，25，10，2283-2301（2013）
[54] 杨，J。；Yan，R。；Hauptmann，A.G.，使用自适应svms的跨域视频概念检测，第15届ACM国际多媒体会议（ICME）论文集，188-197（2007）
[55] 杨，J。；Yan，R。；Hauptmann，A.G.，将支持向量机分类器应用于具有移位分布的数据，第七届IEEE数据挖掘研讨会（ICDMW）论文集，69-76（2007）
[56] Katakis，I。；Tsoumakas，G。；Vlahavas，I.，《文本数据流分类的动态特征空间和增量特征选择》，Knowl。发现。数据流，107-116（2006）
[57] Zliobaite，I.，评估概念漂移适应的电力基准有多好（2013），arXiv:1301.3524
[58] 《狮子座》，I。；Bifet，A。；里德·J。；普法林格，B。；Holmes，G.，《具有时间相关性的流数据分类的评估方法和决策理论》，马赫。学习。，98, 3, 455-482 (2015) ·Zbl 1311.62094号
[59] 贾马，J。；塞巴斯蒂昂，R。；罗德里格斯，P.P.，《流学习算法评估》，马赫。学习。，90, 3, 317-346 (2013) ·Zbl 1260.68329号
[60] Rijsbergen，C.J.V.，《信息检索》（1979），巴特沃斯·海尼曼
[61] Kubat，M。；霍尔特，R。；Matwin，S.，《负面例子大量出现时的学习》，《欧洲机器学习会议论文集》，146-153（1997）
[62] 阿纳格诺斯托普洛斯，C。；Tasoulis，D.K。；新墨西哥州亚当斯。；Hand，D.J.，数据流上逻辑分类器的时间自适应估计，数据分析和分类进展，3，3，243-261（2009）·Zbl 1305.68139号
[63] 帕夫利迪斯，N.G。；Tasoulis，D.K。；新墨西哥州亚当斯。；Hand，D.J.，（λ）-感知器：数据流的自适应分类器，模式识别。，44, 1, 78-96 (2011) ·Zbl 1211.68134号
[64] Alippi，C。；Roveri，M.，非平稳条件下的实时自适应分类器，IEEE国际神经网络联合会议论文集，1014-1019（2007）
[65] Principe，J.C.，《信息理论学习：Renyi的熵和核心观点》（2010），Springer Science&Business Media·Zbl 1206.94003号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。