1（山西大学计算机与信息技术学院 太原 030006）；2（计算智能与中文信息处理教育部重点实验室(山西大学) 太原 030006) (guohusheng@sxu.edu.cn)
出版日期: 2022-01-01基金资助:国家自然科学基金项目(61503229,U1805263,62076154)；山西省自然科学基金项目(201901D111033)；山西省重点研发计划项目(国际合作)(201903D421050) 62076154), the Natural Science Foundation of Shanxi Province (201901D111033), and the Key Research and Development Program of Shanxi Province (International Cooperation) (201903D421050).Concept Drift Class Detection Based on Time Window
Guo Husheng1,2, Ren Qiaoyan1, Wang Wenjian1,21（School of Computer and Information Technology, Shanxi University, Taiyuan 030006);2(Key Laboratory of Computational Intelligence and Chinese Information Processing(Shanxi University), Ministry of Education, Taiyuan 030006)
Online: 2022-01-01Supported by:This work was supported by the National Natural Science Foundation of China (61503229, U1805263,摘要/Abstract
摘要： 流数据作为一种新型数据，在各个领域均有应用，其快速、大量及持续不断的特点使得单遍精准扫描成为在线学习算法的必备特质.在流数据不断产生过程中，往往会发生概念漂移，目前对于概念漂移节点检测的研究相对成熟，然而实际问题中学习环境因素朝不同方向发展往往会导致流数据中概念漂移类别的多样性，这给流数据挖掘及在线学习带来了新的挑战.针对这个问题，提出一种基于时序窗口的概念漂移类别检测(concept drift class detection based on time window, CD-TW)方法.该方法借助栈和队列对流数据进行存取，借助窗口机制对流数据进行分块学习.首先创建2个分别加载历史数据和当前数据的基础节点时序窗口，通过比较二者所包含数据的分布变化情况来检测概念漂移节点.然后创建加载漂移节点后部分数据的跨度时序窗口，通过分析该窗口中数据分布的稳定性检测漂移跨度，进而判断概念漂移类别.实验结果表明该方法不仅能够精确定位概念漂移节点，同时在漂移类别判断方面也表现出良好性能.
参考文献
相关文章 14
| [1] | 张炳, 文峥, 魏筱瑜, 任家东. InterDroid：面向概念漂移的可解释性Android恶意软件检测方法[J]. 计算机研究与发展, 2021, 58(11): 2456-2474. |
| [2] | 程光, 钱德鑫, 郭建伟, 史海滨, 吴桦, 赵玉宇. 基于散度的网络流概念漂移分类方法[J]. 计算机研究与发展, 2020, 57(12): 2673-2682. |
| [3] | 季一木,张永潘,郎贤波,张殿超,王汝传. 面向流数据的决策树分类算法并行化[J]. 计算机研究与发展, 2017, 54(9): 1945-1957. |
| [4] | 吴英杰,张立群,康健,王一蕾. 差分隐私流数据自适应发布算法[J]. 计算机研究与发展, 2017, 54(12): 2805-2817. |
| [5] | 文益民,唐诗淇,冯超,高凯. 基于在线迁移学习的重现概念漂移数据流分类[J]. 计算机研究与发展, 2016, 53(8): 1781-1791. |
| [6] | 邓大勇,苗夺谦,黄厚宽. 信息表中概念漂移与不确定性分析[J]. 计算机研究与发展, 2016, 53(11): 2607-2612. |
| [7] | 李志杰,李元香,王峰,何国良,匡立. 面向大数据分析的在线学习算法综述[J]. 计算机研究与发展, 2015, 52(8): 1707-1721. |
| [8] | 邓大勇,徐小玉,黄厚宽. 基于并行约简的概念漂移探测[J]. 计算机研究与发展, 2015, 52(5): 1071-1079. |
| [9] | 郭躬德 李 南 陈黎飞. 一种基于混合模型的数据流概念漂移检测算法[J]. 计算机研究与发展, 2014, 51(4): 731-742. |
| [10] | 许敏,邓赵红,王士同,史荧中. MMCKDE：基于数据流的m-混合聚类核概率密度估计[J]. 计算机研究与发展, 2014, 51(10): 2277-2294. |
| [11] | 吴佩莉, 刘奎恩, 郝身刚, 张全新, 谭毓安,. 基于浮动车数据的快速交通拥堵监控[J]. 计算机研究与发展, 2014, 51(1): 189-198. |
| [12] | 辛轶, 郭躬德, 陈黎飞, 毕亚新,. IKnnM-DHecoc:一种解决概念漂移问题的方法[J]. , 2011, 48(4): 592-601. |
| [13] | 王 涛, 李舟军, 颜跃进, 陈火旺,. 数据流挖掘分类技术综述[J]. , 2007, 44(11): 1809-1815. |
| [14] | 刘学军, 徐宏炳, 董逸生, 王永利, 钱江波,. 挖掘数据流中的频繁模式[J]. , 2005, 42(12): 2192-2198. |
PDF全文下载地址:
https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4563
