An Adaptive Active Learning Framework for Sparsely Labeled Multi-Label Drifting Data Streams

Reza Rahimian

doi:10.1016/j.knosys.2025.114248

An Adaptive Active Learning Framework for Sparsely Labeled Multi-Label Drifting Data Streams

2025-08-10

0

PRE

AI

DOI：10.1016/j.knosys.2025.114248

原文链接

原文求助

摘要

En 中文

多标签数据流由连续的实例组成，每个实例关联多个标签，并持续到达以供分类。这种设置带来了若干挑战，包括动态数据分布、标注数据有限、标注成本高昂，以及在概念漂移存在的情况下连续更新模型的计算负担。尽管已提出多种解决方案用于多标签数据流分类，但它们在处理稀疏标注数据流的在线学习以及以竞争性性能适应概念漂移方面往往存在显著局限性。为弥补这一差距，本文引入了针对多标签漂移数据流的主动学习框架（MLALDDS），该框架通过单次主动学习、增量更新和有效适应概念漂移来解决关键问题。MLALDDS在二元关联架构中采用自调整k近邻分类器，将多标签分类问题分解为更简单的任务。采用预算感知的选择性采样策略，仅查询最具信息量的实例，在最小化标注成本的同时保持分类性能。模型更新以增量方式进行，并通过反射机制利用ADWIN提供潜在数据分布变化的精确预警，确保各标签特定的分类器在其各自子空间内高效适应概念漂移。所提出的框架在30个不同的多标签数据集上，与20种最先进的分类器使用12项性能指标进行了评估。非参数统计分析结果表明，MLALDDS持续优于竞争方法，证实了其关键组件在提升分类性能方面的有效性。

Keyword:

multi-label data streams

active learning

concept drift

incremental learning

stream classification

An Adaptive Active Learning Framework for Sparsely Labeled Multi-Label Drifting Data Streams

摘要

期刊

机构

引用论文