.png){kind=icon}
返回
Learning Contrastive Evolving Micro-Clusters for Robust Semi-Supervised Data Stream Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/TCYB.2025.3612885.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
概念漂移下的半监督数据流学习在近几十年中受到了广泛关注。许多现有算法通过利用未标记数据并适应非平稳分布，在低维数据流上取得了有前景的结果。然而，现实世界的数据流通常表现出复杂的纠缠和高维特性，这些特性常被当前方法所忽略，导致分类性能脆弱。这凸显了在演变数据流中进行有效表示学习的必要性，以增强模型预测的可靠性。为此，我们提出了一种新颖的算法，用于高维数据流的在线半监督学习，通过学习对比演变的微簇（MCs）实现，命名为CEMC。与现有方法不同，CEMC通过对比MC表示学习明确缓解特征纠缠，模型初始化由对比目标引导，表示更新由潜在漂移触发。为确保可靠的半监督学习，我们进一步对对比MC的可靠性进行建模，以支持在线分类并实现概念漂移的快速适应。通过在线维护对比MC，CEMC在有限的内存预算内保存和适应演变的概念，同时维持一个判别性表示空间。在十四个真实世界基准数据集上的实验结果表明，与六种最先进算法相比，CEMC具有有效性。
Keyword:
Concept drift
contrastive learning
data stream
micro-cluster (MC)
semi-supervised learning
期刊
IF:
10.5
论文数:
1.1W
被引数:
5.0W
机构
引用论文
Combining Diverse Meta-Features to Accurately Identify Recurring Concept Drift in Data Streams结合不同的元特征，以准确识别数据流中反复出现的概念漂移
PREAI
分享收藏
Improving semi-supervised co-forest algorithm in evolving data streams.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏SPSC: Stream Processing Framework Atop Serverless Computing for Industrial Big DataSPSC: 面向工业大数据的无服务器计算流处理框架
PREAI
分享收藏TS-DM: A Time Segmentation-Based Data Stream Learning Method for Concept Drift AdaptationTs-dm: 一种基于时间分割的概念漂移自适应数据流学习方法
PREAI
分享收藏
查看更多内容