Adaptive XGBoost for Data Stream Regression

doi:10.1155/int/1759600

Adaptive XGBoost for Data Stream Regression

2026-05-22

0

OA

AI

DOI：10.1155/int/1759600

原文链接

查看原文

摘要

En 中文

本工作介绍了面向回归的精益自适应XGBoost（LAX-Reg），一种针对非平稳数据流智能处理的新型高效算法。互联系统产生数据的日益增长量和速度要求模型能够实时适应概念漂移。尽管数据流分类已得到广泛研究，但数据流回归（尤其是基于提升方法）仍相对较少探索。LAX-Reg基于XGBoost构建，同时避免了现有流式适配中常见的交替模型范式，该范式可能导致模型替换时的性能骤降和训练开销增加。相反，它通过动态树管理维护一个单一、持续更新的集成模型，并保持有界复杂度：淘汰过时树、更新剩余树，并使用FIFO策略或由个体ADWIN漂移检测器驱动的目标策略添加新树。该方法通过预序评价在九个真实和合成数据流上进行评估，考虑均方误差（MSE）以及执行时间和内存消耗，并与包括ARF-Reg和AFXGB在内的五种最新基线进行比较。实验结果表明，LAX-Reg变体实现了最佳平均预测排名，根据Nemenyi事后检验属于领先统计组，同时带来显著效率提升：执行速度比ARF-Reg快112倍，内存使用量降低456倍。这些结果凸显了LAX-Reg作为数据流自适应回归的竞争性轻量级解决方案，同时也为未来关于替代漂移检测器、周期性漂移场景以及时序特征集成的研究提供了动力。

Keyword:

data stream

decision trees

nonstationary time series

regression

Adaptive XGBoost for Data Stream Regression

摘要

AI总结

期刊

机构

引用论文