Dynamic Chunk-Based Active Learning Based on Enhanced Broad Learning System for Imbalanced Drifting Data Streams

Mianfen Lin

doi:10.1109/TKDE.2025.3631126

Dynamic Chunk-Based Active Learning Based on Enhanced Broad Learning System for Imbalanced Drifting Data Streams

2025-11-10

0

PRE

AI

陈晨 (C. L. Philip Chen)

DOI：10.1109/TKDE.2025.3631126

原文链接

原文求助

摘要

En 中文

非平稳环境下连续数据流的处理已引起越来越多的关注。然而，监督式在线学习通常受限于标签的可用性。此外，在非平稳环境下开发一种稳定且高性能的在线方法至关重要。为解决这些问题，我们提出了一种基于动态分块的自助学习框架（DCAL）。该框架包含一种动态双阶段查询策略和一个增强的自助学习模型。具体而言，所提出的查询策略（称为DyDQS）通过考虑局部密度、不确定性和动态不平衡比率来综合评估样本价值。该方法选择既具有代表性又不确定的样本，同时增强选择少数类样本的可能性。此外，我们引入了一种增强的自助学习模型（命名为eBLS-W），该模型基于广学习系统（BLS）。我们重新设计了BLS的更新规则，并为其配备了核映射，以提高其鲁棒性和性能，使其能更好地处理非平稳环境。通过在具有漂移的合成数据集和真实数据集上的实验验证了DyDQS、eBLS-W和DCAL的有效性。结果表明，我们的方法在鲁棒性和准确性方面优于其他先进方法。

Keyword:

Broad learning system (BLS)

query strategy

online active learning

data stream

concept drift

Dynamic Chunk-Based Active Learning Based on Enhanced Broad Learning System for Imbalanced Drifting Data Streams

摘要

期刊

机构

引用论文