Adaptive Information Fusion-Based Concept Drift Learning for Evolving Multiple Data Streams

doi:10.1109/TKDE.2025.3610184

Adaptive Information Fusion-Based Concept Drift Learning for Evolving Multiple Data Streams

2025-09-15

0

PRE

AI

DOI：10.1109/TKDE.2025.3610184

原文链接

原文求助

摘要

En 中文

概念漂移源于不可预测的数据分布变化，导致模型性能下降。在演变的多个数据流中，这些漂移由于动态变化和流间不确定的相关性而带来更大的挑战，要求具备鲁棒准确性和泛化能力。为解决此问题，本文提出了一种新颖的多数据流学习方法，称为基于自适应信息融合的概念漂移学习（AIF-CD）方法，用于自适应处理具有异构特征空间和复杂漂移情况的多数据流。首先，提出了一种带有协作机制的自适应实时学习方法来处理多数据流。其次，设计了一种基于信息融合的增强过程，以帮助提升各流的学习效率。此外，引入了基于漂移严重性识别的适应策略以及选择使用先前时间戳数据的过程，以增强同步和异步场景下的学习鲁棒性。此外，详细的运行时复杂度和理论分析进一步解释了该方法的学习效率。我们的关键创新是将实时适应与理论保证相结合，用于复杂、演变的多元流学习。在同步和异步设置下的各种场景实验结果表明，所提出的方法比其他基准方法更高效。

Keyword:

Concept drift

data stream

drift adaptation

online learning

Adaptive Information Fusion-Based Concept Drift Learning for Evolving Multiple Data Streams

摘要

期刊

机构

引用论文