在线不完备不平衡学习算法

不完整数据实时适配

该算法能在特征空间任意缺失和类别高度不平衡的数据流上在线学习，显著优于现有方法。

You, Dianlong · Xiao, Jiawei · Wang, Yang · Huigui, Yan · 吴迪 · 陈真 · 申利民 · Wu, Xindong

IEEE Transactions on Knowledge and Data Engineering 2023

参数信息

真实数据集数量

14

模拟数据集数量

13

技术优势

特征任意缺失也能学

遵循经验风险最小化原则，识别并利用不完整特征空间中最具信息量的特征进行学习。

动态不平衡实时应对

采用动态代价策略，将F-measure优化转化为加权代理损失最小化，以实时处理类别不平衡。

应用场景

• 在线学习：从特征缺失和动态不平衡的数据流中实时更新模型，无需等待完整数据。
• 数据流挖掘：在不完整特征数据流上挖掘有效模式，自动适应概念漂移和类别比例变化。
• 欺诈检测：处理欺诈检测中常见的缺失特征和高不平衡率，在线识别新欺诈模式。
• 实时推荐：在推荐数据流特征不完整的情况下实时更新用户偏好模型，提升推荐准确性。