.png){kind=icon}
返回
Tracking Correlations Between Multiple Data Streams Through Evolutionary Regressor Chains
.png){kind=icon}
PRE
AI
DOI：10.1109/TCYB.2025.3587025.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在实际场景中，多个相关数据流同时活跃。一个关键问题是，如何利用数据流之间的相关性来提升机器学习模型的性能。数据流具有非平稳性，且数据流间的相关性可能随时间变化，这带来了另一个困难。我们提出了一种集成链式结构模型——进化回归链（RCs），用于追踪数据流之间的相关性以解决这些问题。我们开发了一种启发式顺序搜索方法，用于寻找链的最优顺序。凭借监测相关性动态变化的能力，该启发式顺序搜索技术还能随时间更新链结构。此外，提出了一种在保持集成多样性的同时降低计算复杂度的方法。该方法的理论基础通过动态悔恨分析建立，证明了在数据流中的最优适应性。我们的实验结果证明了进化RCs的有效性。
Keyword:
Concept drift
multioutput learning
online learning
期刊
IF:
10.5
论文数:
1.1W
被引数:
5.0W
机构
引用论文
Multi-target regression via input space expansion: treating targets as inputs.png)
MACHINE LEARNING
OAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏分享收藏分享收藏
查看更多内容