面向概念漂移问题的选择性适应集成学习方法研究

发布时间：2017-12-24 21:30

  本文关键词：面向概念漂移问题的选择性适应集成学习方法研究　出处：《中国科学技术大学》2017年硕士论文　论文类型：学位论文

  更多相关文章： 增量学习 概念漂移 迁移学习 集成学习

【摘要】：在当前的大数据时代,增量学习作为一种能增量处理数据的方法变得愈发重要,而概念漂移问题则是增量学习中亟待解决的一个关键问题。目前为止,尽管有很多算法已经被提出用来解决这个问题,但是仍旧难以做到快速有效的响应漂移的发生。在本文中,我们的主要研究就是如何有效解决增量学习中的概念漂移问题。我们首先提出了一种新的叫做 STIL(Selective Transfer Incremental Learning)的方法来解决概念漂移这个难题。STIL在经典的基于数据块集成算法基础上使用了一种选择性迁移的策略。以这种方式,STIL在通过迁移学习很好的适应新概念的同时,制定了适当的选择策略有效防止了迁移学习过程中可能发生的负迁移和过拟合问题。我们将这个算法在15个合成数据集和3个真实数据集上进行了评估,实验结果显示STIL在几乎所有数据集上都好于其它5个先进的相关算法。其次,我们研究了子模型适应性对集成模型应对概念漂移的影响。并通过实验分析发现:包含一批具有过强适应性的子模型不会提升集成模型的效果,反而会限制其作为整体对概念漂移的响应能力。并且在这个观点的基础上,我们发现与提升全部子模型相比,只提升部分子模型的适应性能够有效提升算法的性能。在当前采用能增量更新的子模型成为基于数据块集成方法的一大趋势的研究背景下,我们的这项研究说明了子模型适应性的提升需要有节制,且部分提升的效果会更好。另外,我们在6个合成数据集和2个真实数据集上对这两个观点进行了验证,实验结果很好地证明了我们的观点。
【学位授予单位】：中国科学技术大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP181

【相似文献】

相关期刊论文 前10条

1 崔丽娟;李凯;倪志宏;;基于分类的集成学习算法研究[J];河北大学学报(自然科学版);2007年04期

2 袁汉宁;;双层多示例集成学习[J];武汉理工大学学报(信息与管理工程版);2011年05期

3 俞扬;周志华;;集成学习中完全随机学习策略研究[J];计算机工程;2006年17期

4 张沧生;崔丽娟;杨刚;倪志宏;;集成学习算法的比较研究[J];河北大学学报(自然科学版);2007年05期

5 陈凯;;基于聚类技术的集成学习差异性研究[J];南京工业职业技术学院学报;2008年04期

6 李凯;崔丽娟;;集成学习算法的差异性及性能比较[J];计算机工程;2008年06期

7 潘志松;燕继坤;;少数类的集成学习[J];南京航空航天大学学报;2009年04期

8 陈凯;马景义;;一种选择性SER-BagBoosting Trees集成学习研究[J];计算机科学;2009年09期

9 陈全;赵文辉;李洁;江雨燕;;选择性集成学习算法的研究[J];计算机技术与发展;2010年02期

10 张燕平;曹振田;赵姝;郑尧军;杜玲;窦蓉蓉;;一种新的决策树选择性集成学习方法[J];计算机工程与应用;2010年17期

相关会议论文 前4条

1 关菁华;刘大有;贾海洋;;自适应多分类器集成学习算法[A];第二十五届中国数据库学术会议论文集（二）[C];2008年

2 刘伍颖;王挺;;一种多过滤器集成学习垃圾邮件过滤方法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

3 叶红云;倪志伟;陈恩红;;一种混合型集成学习演化决策树算法[A];2005年“数字安徽”博士科技论坛论文集[C];2005年

4 李烨;蔡云泽;许晓鸣;;基于支持向量机集成的故障诊断[A];第16届中国过程控制学术年会暨第4届全国故障诊断与安全性学术会议论文集[C];2005年

相关博士学位论文 前10条

1 阿里木·赛买提(Alim.Samat);基于集成学习的全极化SAR图像分类研究[D];南京大学;2015年

2 王永明;集成回归问题若干关键技术研究[D];华东师范大学;2015年

3 常征;基于混合集成学习的眼部与四肢交互动作建模与识别[D];北京科技大学;2016年

4 张春霞;集成学习中有关算法的研究[D];西安交通大学;2010年

5 刘天羽;基于特征选择技术的集成学习方法及其应用研究[D];上海大学;2007年

6 尹华;面向高维和不平衡数据分类的集成学习研究[D];武汉大学;2012年

7 王清;集成学习中若干关键问题的研究[D];复旦大学;2011年

8 方育柯;集成学习理论研究及其在个性化推荐中的应用[D];电子科技大学;2011年

9 侯勇;特征提取与集成学习算法的研究及应用[D];北京科技大学;2015年

10 李烨;基于支持向量机的集成学习研究[D];上海交通大学;2007年

相关硕士学位论文 前10条

1 高伟;基于半监督集成学习的情感分类方法研究[D];苏州大学;2015年

2 宋文展;基于抽样的集成进化算法研究[D];广西大学;2015年

3 汤莹;迁移与集成学习在文本分类中的应用研究[D];江苏科技大学;2015年

4 刘政;基于知识元和集成学习的中文微博情感分析[D];大连理工大学;2015年

5 丘桥云;结合文本倾向性分析的股评可信度计算研究[D];哈尔滨工业大学;2014年

6 秦海;融合非标记样本选择的集成学习研究[D];湘潭大学;2015年

7 李想;基于多示例的集成学习理论与应用研究[D];合肥工业大学;2014年

8 李震宇;基于集成学习的数字图像隐写定量分析[D];解放军信息工程大学;2014年

9 王希玲;基于选择性集成学习的网络入侵检测方法研究[D];青岛科技大学;2016年

10 陈范曙;基于信息整合的药物相关信息挖掘方法研究[D];华东师范大学;2016年

，

本文编号：1330051