基于迁移学习的数据流分类研究综述

• 作者: 刘三民 周胜
• 来源期刊: 天津理工大学学报
• 学科: 工学
• 关键词: 数据流分类 概念漂移 集成学习 迁移学习
• 年，卷（期）: 2019,（3）
• 页码范围: 24-29,37
• 页数: 7页
• 分类号: TP181
• 字数: 5747字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-095X.2019.03.004

摘要

数据流分类作为数据挖掘领域中的一个重要分支,能够获取数据流中有价值的信息,已成为当下研究热点之一.由于数据流固有特性导致传统的数据流分类方法面临较多难题,如样本标注和概念漂移等.本文分析了增量式和集成式的数据流传统分类方法的优缺点,在此基础上阐述迁移学习在数据流分类中的可行性和当前的研究进展,归纳出基于迁移学习的数据流分类研究的主要关键问题,指出进一步研究方向.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘三民	安徽工程大学计算机与信息学院	41	119	7.0	9.0
2	周胜	安徽工程大学计算机与信息学院	6	1	1.0	1.0