Dynamic Ensemble Active Learning for Drifting Imbalanced Data Streams

Kaixiang Yang

doi:10.1109/tbdata.2026.3720938

Dynamic Ensemble Active Learning for Drifting Imbalanced Data Streams

2026-08-05

0

PRE

AI

DOI：10.1109/tbdata.2026.3720938

原文链接

原文求助

摘要

En 中文

概念漂移和类别不平衡是数据流分析中的两大关键挑战，两者在影响上通常相互关联。概念漂移会加剧类别不平衡的影响，而类别不平衡则会阻碍概念漂移的检测和管理。为应对这些挑战，本文提出了一种新颖的半监督分类方法，即针对漂移不平衡数据流的动态集成主动学习（DEAL-DI）。DEAL-DI采用一种混合动态标注策略，结合了不确定性阈值与随机选择机制。通过根据当前不平衡比例动态调整阈值，该策略可有效识别最具信息量的样本，从而降低标注成本。此外，提出了一种全面的失衡处理策略，不仅在新分类器创建期间关注少数类样本，还在样本层面复用少数类实例。进一步开发了一种新颖的动态子集成方法，用于在当前条件下选择表现最佳的分类器，确保其纳入后续预测并提升模型性能。在真实数据和合成数据流上的广泛实验表明，DEAL-DI相比其他半监督方法显著提高了召回率和G-mean，同时降低了标注成本。

Keyword:

Ensemble learning

class imbalance

online active learning

concept drift

Dynamic Ensemble Active Learning for Drifting Imbalanced Data Streams

摘要

期刊

机构

引用论文