概念漂移数据流分类研究综述

被引：71

作者：

文益民 ^{[1
]}

强保华 ^{[1
]}

范志刚 ^{[2
]}

机构：

[1] 桂林电子科技大学计算机科学与工程学院

[2] 中国科学院上海高等研究院

来源：

智能系统学报 | 2013年 / 8卷 / 02期

基金：

湖南省自然科学基金;

关键词：

大数据; 概念漂移; 增量学习; 适应学习; 数据流; 机器学习;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

140502 [人工智能];

摘要：

由于现有各种机器学习算法本质上都基于一个静态学习环境,而以尽量保证学习系统泛化能力为目标的寻优过程,概念漂移数据流分类给机器学习带来了巨大挑战.从数据流与概念漂移、概念漂移数据流分类研究的发展与趋势、概念漂移数据流分类的主要研究领域、概念漂移数据流分类研究的新动态4个方面展开了文献综述,并分析了当前概念漂移数据流分类算法存在的问题.

引用

页码：95 / 104

页数：10

共 15 条

[1]

Tracking recurring contexts using ensemble classifiers: an application to email filtering [J].

Katakis, Ioannis ;

Tsoumakas, Grigorios ;

Vlahavas, Ioannis .

KNOWLEDGE AND INFORMATION SYSTEMS, 2010, 22 (03) :371-391

[2]

A scenario-based approach for direct interruptability prediction on wearable devices [J].

Bernstein, Abraham ;

Vorburger, Peter ;

Egger, Patrice .

INTERNATIONAL JOURNAL OF PERVASIVE COMPUTING AND COMMUNICATIONS, 2008, 3 (04) :426-+

[3]

A notion of task relatedness yielding provable multiple-task learning guarantees [J].

Ben-David, Shai ;

Borbely, Reba Schuller .

MACHINE LEARNING, 2008, 73 (03) :273-287

[4]

Robust sensor fusion: Analysis and application to audio visual speech recognition [J].

Movellan, JR ;

Mineiro, P .

MACHINE LEARNING, 1998, 32 (02) :85-100

[5]

Tolerating Concept and Sampling Shift in Lazy Learning Using Prediction Error Context Switching.[J].MARCOS Salganicoff.Artificial Intelligence Review.1997, 1

[6]

Learning in the presence of concept drift and hidden contexts [J].