55、数据流挖掘中的主动学习、自标注与概念漂移检测

数据流挖掘中的主动学习、自标注与概念漂移检测

1. 主动学习与自标注结合在数据流挖掘中的应用

在现实情况中，数据流的概念漂移并非持续存在，而是间歇性出现。在数据流的稳定部分，主动学习（AL）本身无法为分类器提供足够的实例以实现稳定的自适应。通过提供更大的训练实例集，我们能够在漂移发生后更好地恢复，并适应当前的概念。因此，有必要进一步开发能够在处理的数据流的稳定和非稳定部分之间切换的主动学习和自标注（SL）方法的组合。

1.1 研究背景与问题提出

在受限预算下从数据流中学习是一个现实问题。在实际场景中，我们无法获取所有传入实例的类别标签，只能标注其中的一小部分。为了解决这个问题，提出了将主动学习策略与自标注方法相结合的方案。

1.2 解决方案与策略

自标注方法允许分类器自动标注具有高确定性的实例，并将其用于训练。这种策略与主动学习互补，它可以选择最不确定的实例供专家标注，选择最确定的实例进行自动标注。在这项工作中，使用了一个简单的静态阈值进行自标注过程，尽管简单，但在预算非常小的情况下能够提高分类器的性能。

1.3 实验结果与未来展望

初步结果表明，该策略能够增加用于适应非稳定数据流的实例数量，且无需直接成本。未来，需要开发更先进的自标注策略，以考虑传入概念的动态和非稳定性质。

2. 基于基分类器判别函数的概念漂移检测算法

2.1 概念漂移问题概述

许多机器学习方法假设训练数据具有稳定的来源，但在现实动态环境中，这种假设往往不成立。数据流具有大量记录、快速变化以及需要实时响应或分析的特点，其特征通常不稳定，会随时间变化，这就