.png){kind=icon}
返回
Transfer learning method based on cluster for drifting data stream classification
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-025-05239-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据流隐藏着大量有价值的信息，提取这些信息以辅助决策至关重要。然而，仍有许多挑战和亟待解决的问题，如标签稀缺和概念漂移。本文提出了一种基于聚类分析的漂移数据流新型动态迁移学习方法（DCTL），以解决数据流分类过程中样本标注和概念漂移的问题。DCTL方法由两个重要组件构成：基于聚类分析的实例迁移策略和源域更新策略。实例迁移策略将源域和目标域实例聚类到同一特征空间以分析其相似性。首先，为全面衡量源域实例的相似性权重，计算每个聚类中的目标实例数量以及源域实例到聚类中心的相对距离。然后，选择具有显著相似性权重的源域实例来更新分类器，并为构建新的源域做准备。为提高迁移学习效率并避免负迁移，我们在源域更新策略的基础上引入了实例消除机制。在接收新数据进行学习的同时，删除低相似性权重的源域实例，并不断添加新数据，以确保源域分布接近目标域分布。通过DCTL方法，从源域中选择对目标域最有价值的信息，并持续引入新数据进行学习，从而增强模型的适应性和稳定性。仿真实验与五种不同数据流上的算法比较表明，DCTL在大多数情况下高效且稳定。此外，DCTL在分类精度和其他指标方面保持竞争优势。
Keyword:
Transfer learning
Data stream classification
Concept drift
Clustering
期刊
C
IF:
0
论文数:
691
被引数:
1
机构
引用论文
The stream intermittency visualization dashboard: a web application for high-frequency logger data and daily flow observations流间歇性可视化仪表板：一个用于高频记录仪数据和日流量观测的Web应用程序.png)
IF0
PREAI
分享收藏
KNNENS: A k-Nearest Neighbor Ensemble-Based Method for Incremental Learning Under Data Stream With Emerging New ClassesKNNENS: 具有新课程的数据流下基于k最近邻集成的增量学习方法
PREAI
分享收藏Data Stream Classification Based on Extreme Learning Machine: Review基于极限学习机的数据流分类研究综述BIG DATA RESEARCH
BIG DATA RESEARCHIF4.2
PREAI
分享收藏分享收藏分享收藏
查看更多内容