计算机工程与信息技术学报

一种有效的不平衡数据流分类框架

吴凯、张凯、范伟、高建和 Edwards A

一种有效的不平衡数据流分类框架

在现实环境中，对具有倾斜分布的数据流进行分类有许多应用；然而，只有少数方法解决了数据流分类和不平衡数据学习的共同问题。在本文中，我们提出了一种新颖的重要性采样驱动的动态特征组加权框架（DFGW-IS）来解决这一问题。我们的方法解决了概念漂移、不平衡流数据的内在特性。具体而言，不断发展的概念由在一系列特征组上训练的集成来处理，每个子分类器（即单个分类器或集成）都根据其判别能力和稳定水平加权。另一方面，不均匀的类别分布由基于特定特征组构建的子分类器来解决，其底层分布通过重要性采样技术重新平衡。我们对所提算法的泛化误差界限进行了理论分析。在多个倾斜数据流上进行的大量实验表明，所提出的算法不仅在标准评估指标上优于竞争方法，而且还能很好地适应不同的学习场景。