计算机应用研究

作者：蔡博,张海清,李代伟,向筱铭,于曦,邓钧予,

单位：1.成都信息工程大学a.软件工程学院;b.四川省信息化应用支撑软件工程技术研究中心,成都610255；2.四川省气象探测数据中心,成都610072；3.成都大学斯特灵学院,成都610106；

关键词：数据流,不平衡数据,概念漂移,增量加权,集成学习,

基金：欧盟资助项目(598649-EPP-1-2018-1-FR-EPPKA2-CBHE-JP)；国家自然科学基金资助项目(61602064)；四川省科技厅资助项目(2021YFH0107,2022YFS0544,2022NSFSC0571)；成都信息工程大学科技创新能力提升计划资助项目(KYQN202223)；；

概念漂移是数据流学习领域中的一个难点问题，同时数据流中存在的类不平衡问题也会严重影响算法的分类性能。针对概念漂移和类不平衡的联合问题，在基于数据块集成的方法上引入在线更新机制，结合重采样和遗忘机制提出了一种增量加权集成的不平衡数据流分类方法（incremental weighted ensemble for imbalance learning，IWEIL）。该方法以集成框架为基础，利用基于可变大小窗口的遗忘机制确定基分类器对窗口内最近若干实例的分类性能，并计算基分类器的权重，随着新实例的逐个到达，在线更新IWEIL中每个基分器及其权重。同时，使用改进的自适应最近邻SMOTE方法生成符合新概念的新少数类实例以解决数据流中类不平衡问题。在人工数据集和真实数据集上进行实验，结果表明，相比于DWMIL算法，IWEIL在HyperPlane数据集上的G-mean和recall指标分别提升了5.77%和6.28%，在Electricity数据集上两个指标分别提升了3.25%和6.47%。最后，IWEIL在安卓应用检测问题上表现良好。

来源：2024年第3期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2024年第3期