SLEADE: Disagreement-Based Semi-Supervised Learning for Sparsely Labeled Evolving Data Streams

doi:10.1109/TKDE.2025.3647050

SLEADE: Disagreement-Based Semi-Supervised Learning for Sparsely Labeled Evolving Data Streams

2025-12-23

0

PRE

AI

DOI：10.1109/TKDE.2025.3647050

原文链接

原文求助

摘要

En 中文

半监督学习（SSL）问题具有挑战性，出现在许多领域，并且特别适用于流数据应用，其中数据丰富但标签稀缺。本文解决的问题是在标签稀少且随机分布的演变数据流上的分类问题。我们提出了SLEADE（基于分歧集成的流学习）方法，该方法利用基于分歧的学习和无监督漂移检测来利用训练过程中的未标记数据。SLEADE采用伪标签实例，通过“多数训练少数”方案来扩充集成中每个成员的训练集。伪标签数据的影响由一个加权函数控制，该函数考虑了集成成员所赋予的预测置信度。SLEADE利用无监督漂移检测，使集成能够响应变化。我们通过使用真实和合成数据的多个实验来展示SLEADE相对于现有算法的优势和局限性。

Keyword:

Data stream

semi-supervised learning (SSL)

concept drift

disagreement-based learning

SLEADE: Disagreement-Based Semi-Supervised Learning for Sparsely Labeled Evolving Data Streams

摘要

期刊

机构

引用论文