Ensemble learning for data stream analysis: A survey

در بسیاری از برنامه های کاربردی از سیستم های اطلاعات الگوریتم های یادگیری باید در محیط های پویا که در آن داده ها به صورت جریان داده های گذرا جمع آوری می شوند عمل می کنند. در مقایسه با داده کاوی استاتیک، جریانهای پردازش، الزامات محاسباتی جدیدی را برای الگوریتم ها به کار می گیرند تا نمونه های ورودی را به طور پیوسته در هنگام استفاده از حافظه و زمان محدود محدود کنند. علاوه بر این، با توجه به ویژگی های غیر ثابت از داده های جریان داده، اغلب مدل های پیش بینی برای انطباق با ریزش های مفهومی نیز مورد نیاز است. از چندین الگوریتم جدید پیشنهاد شده جدید، گروه ها نقش مهمی ایفا می کنند، مخصوصا برای محیط های غیر ثابت. این مقاله تحقیقاتی را درباره گروههای دسته بندی جریان داده و همچنین وظایف رگرسیون بررسی می کند. علاوه بر ارائه طیف گسترده ای از رویکرد گروه برای جریان داده ها، ما همچنین در مورد مفاهیم یادگیری پیشرفته مانند جریان داده های عدم تعادل، تشخیص اخبار، یادگیری فعال و نیمه نظارتی، بازنمایی داده های پیچیده و خروجی های ساختاری بحث می کنیم. این مقاله با بحث درباره مسائل تحقیق باز و خطوط تحقیق آینده نتیجه گیری می شود.