.png){kind=icon}
返回
Adaptive interactive network component ensemble for streaming data with concept drift
.png){kind=icon}
PRE
AI
DOI：10.1007/s10618-025-01125-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
概念漂移是流数据挖掘中的一个重要问题。目前，大多数概念漂移处理方法面临一些挑战，例如漂移发生后模型收敛缓慢，以及对具有复杂分布的数据流的表征能力较弱。本文提出了一种自适应交互式网络组件集成方法，用于解决具有概念漂移的流数据问题。首先，将不同尺度的卷积特征进行拼接，并通过应用注意力机制来建模通道关系，构建拼接特征。然后，通过门控机制将浅层输入特征和拼接特征进行自适应融合。利用多尺度特征提取模块、通道注意力机制和门控机制构建多尺度特征融合网络组件，可从该组件中获得多样性和判别性特征。其次，利用互学习机制从具有不同属性的代表性组件中学习，增强了浅层组件的表征能力和深层组件的收敛能力。在仿真数据流和视觉目标跟踪数据流上的实验结果表明，所提出的方法能够有效处理流数据的概念漂移，并在漂移发生时快速收敛到新分布。该方法在处理概念漂移方面优于传统的自适应方法，能够提高具有复杂分布数据的表征能力以及模型实时泛化性能。
Keyword:
Streaming data
Concept drift
Adaptive ensemble
Multi-scale feature fusion
Mutual learning
期刊
IF:
4.3
论文数:
221
被引数:
6.0K
机构
引用论文
.png){kind=icon}
Deepstreamensemble: streaming adaptation to concept drift in deep neural networksDeepstreamensemble: 对深度神经网络中概念漂移的流适应
OAAI
OAAI分享收藏
查看更多内容