基于动态策略的多源迁移学习数据流分类研究

• 作者: 刘三民 周胜
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 数据流分类 多源迁移学习 类别后验概率 样本确定性 集成学习
• 年，卷（期）: 2020,（5）
• 所属期刊栏目: 先进计算与数据处理
• 页码范围: 139-143,149
• 页数: 6页
• 分类号: TP181
• 字数: 4581字
• 语种: 中文
• DOI: 10.19678/j.issn.1000-3428.0054753

摘要

为解决数据流分类中的概念漂移和噪声问题,提出一种基于样本确定性的多源迁移学习方法.该方法存储多源领域上由训练得到的分类器,求出各源领域分类器对目标领域数据块中每个样本的类别后验概率和样本确定性值.在此基础上,将样本确定性值满足当前阈值限制的源领域分类器与目标领域分类器进行在线集成,从而将多个源领域的知识迁移到目标领域.实验结果表明,该方法能够有效消除噪声数据流给不确定分类器带来的不利影响,与基于准确率选择集成的多源迁移学习方法相比,具有更高的分类准确率和抗噪稳定性.

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