.png){kind=icon}
返回
DACD: a dynamic adaptive concept drift learning method for streaming data
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-026-07520-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
流数据中的概念漂移对构建稳健的分析模型构成了持续挑战。传统算法在复杂场景中往往表现出局限性，在多样化的分类任务和二元特征数据上性能欠佳。本文介绍了动态自适应概念漂移学习方法（DACD）以解决这些问题。DACD采用基于窗口的累积和（CUSUM）算法进行漂移检测，并结合根据检测到的漂移类型更新的神经网络。一种自适应样本处理策略通过在时间约束下对训练数据进行过滤和增强，进一步增强了模型韧性。该框架选择适合的损失函数并使用类别权重进行优化，同时整合批量处理和学习率调度器以提高训练稳定性。在多个基准数据集上，DACD在准确率、收敛性和鲁棒性方面表现出色，为实际流数据分析提供了实用解决方案。
Keyword:
Streaming data
Concept drift
Adaptive model
Window CUSUM detection
Neural network model
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
暂无机构信息
引用论文
Concept Drift Adaptation in Text Stream Mining Settings: A Systematic Review文本流挖掘设置中的概念漂移适应：一项系统综述
OAAI
.png){kind=icon}
OAAI分享收藏分享收藏A systematic review on detection and adaptation of concept drift in streaming data using machine learning techniques使用机器学习技术检测和适应流数据中的概念漂移的系统综述
PREAI
分享收藏
分享收藏
查看更多内容