.png){kind=icon}
返回
A Graph-Based Concept Drift Detection Method for Semi-Supervised Data Stream Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/lsp.2026.3712202.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
半监督数据流分类具有挑战性，因为仅有少量到达样本被标记，而底层数据分布可能随时间变化。现有概念漂移检测方法主要依赖分类错误或分布差异，在标签有限条件下可能不可靠，且常忽略样本间的局部结构关系。为解决此问题，本文提出SSCGD，一种基于图结构的半监督数据流概念漂移检测方法。SSCGD首先通过放宽子图合并标准，为每个到达数据块构建优化的K关联图，从而减少碎片化子图并更好地保持局部样本一致性。随后使用历史分类器预测样本标签，并根据不一致预测导致的边权重和子图纯度变化检测概念漂移。在合成和真实数据流上的实验表明，将SSCGD嵌入现有半监督分类器可提高平均分类精度，并在低标签条件下增强稳定性。
Keyword:
Data streams
semi-supervised classification
graph structure
concept drift
期刊
I
IF:
3.9
论文数:
847
被引数:
0
机构
引用论文
Evolving Strategies in Machine Learning: A Systematic Review of Concept Drift Detection机器学习中的演变策略：概念漂移检测的系统综述.png)
Information
OAAI
InformationIF0
OAAI分享收藏Rockburst prediction using machine learning: Comparative study of algorithms and features基于机器学习的岩爆预测：算法与特征的比较研究
PREAI
分享收藏Beyond Predefined Clusters: A Comprehensive Review of Clustering Methods for Unknown Numbers of Clusters超越预定义聚类：关于未知聚类数量下聚类方法的综合综述
PREAI
分享收藏SCGC-JWAF: Shallow contrastive graph clustering with Jaccard-based weighted adaptive filteringSCGC-JWAF：基于Jaccard的加权自适应滤波的浅层对比图聚类
PREAI
分享收藏An extreme learning machine algorithm for semi-supervised classification of unbalanced data streams with concept drift基于概念漂移的不平衡数据流半监督分类极限学习机算法
PREAI
分享收藏Multiscale Contrastive Learning for Node Clustering Based on Variational Graph Auto-Encoder基于变分图自动编码器的节点聚类多尺度对比学习
PREAI
分享收藏分享收藏
查看更多内容