Continuous Graph Learning-Based Self-Adaptation for Multi-Stream Concept Drift

doi:10.1109/TCYB.2025.3569816

Continuous Graph Learning-Based Self-Adaptation for Multi-Stream Concept Drift

2025-08-01

0

PRE

AI

DOI：10.1109/TCYB.2025.3569816

原文链接

原文求助

摘要

En 中文

概念漂移，其特征是数据分布随时间的变化，在非平稳数据流环境中始终是一个不可避免的问题。多流场景由于流间相关性的潜在变化而特别复杂，在处理多流概念漂移方面带来了重大挑战。大多数现有的适应方法针对单流数据，对多流的研究有限。为解决这些差距，我们提出了一种基于连续图学习的多流概念漂移自适应框架，称为CGLM。我们的框架引入了一种嵌入了动态图生成器（AGG）的新型图神经网络（GNN）结构。该生成器使用小规模历史数据创建自适应相关性图，捕获流间的时空依赖关系，而无需在训练阶段预定义图。然后初始化一个基础预测GNN模型。当在线测试开始时，监控实时性能以检测概念漂移。通过子图更新实现自适过程，对非漂移或漂移场景应用不同的连续图学习机制。在非漂移情况下进行子图轻量级调整。当发生漂移时，AGG根据新到达的样本生成新的动态图。我们的自适应扩散图注意力模块（ADGAT）在新生成的动态图中捕获漂移引起的局部相关性变化。它根据漂移程度自适应地更新原始相关性图的权重。在三个大规模真实世界数据集上的实验结果证明了我们的方法优于所有基线方法。此外，当有大规模数据可用于训练时，我们提出的CGLM仍然超过基线方法。

Keyword:

Concept drift

data streams

drift adaptation

graph neural network (GNN)

Continuous Graph Learning-Based Self-Adaptation for Multi-Stream Concept Drift

摘要

期刊

机构