双动态流在线学习算法

特征与分布随机变

针对特征空间与数据分布同时随机变化的数据流，提出一种能同时克服二者变化的在线学习方法，相比现有方法显著提升性能。

Huigui, Yan · Jiale, Liu · Xiao, Jiawei · Shina, Niu · Siqi, Dong · You, Dianlong · 申利民

Information Sciences 2024

参数信息

动态特征空间场景数

3

模拟动态特征空间数据集数

13

动态数据分布真实数据集数

8

动态数据分布生成数据集数

4

案例研究

1

技术优势

同时应对两类动态

通过映射矩阵将实例投影到全局特征空间，同时利用先验知识约束和映射关系迁移，克服特征空间与数据分布的随机变化。

多种场景显著领先

在模拟三种动态特征空间场景的 13 个数据集和模拟动态数据分布的 8 个真实、4 个生成数据集上均显著优于现有算法。

缺失特征下仍稳健

在不同特征缺失率下分析双动态数据流并验证泛化能力，表明算法对缺失特征具有鲁棒性。

应用场景

• 流数据挖掘：处理特征与分布随机变化的数据流，提升挖掘准确性。
• 在线异常检测：适应动态特征与分布，实时发现异常模式。
• 动态环境学习：在特征空间与数据分布同时变化的环境中持续学习。