کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4969214 | 1449898 | 2017 | 25 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Ensemble learning for data stream analysis: A survey
ترجمه فارسی عنوان
یادگیری گروه برای تجزیه و تحلیل جریان داده ها: یک نظرسنجی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
یادگیری گروهی جریان داده ها، مفهوم رانش یادگیری آنلاین، محیط های غیر ثابت،
ترجمه چکیده
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.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
In many applications of information systems learning algorithms have to act in dynamic environments where data are collected in the form of transient data streams. Compared to static data mining, processing streams imposes new computational requirements for algorithms to incrementally process incoming examples while using limited memory and time. Furthermore, due to the non-stationary characteristics of streaming data, prediction models are often also required to adapt to concept drifts. Out of several new proposed stream algorithms, ensembles play an important role, in particular for non-stationary environments. This paper surveys research on ensembles for data stream classification as well as regression tasks. Besides presenting a comprehensive spectrum of ensemble approaches for data streams, we also discuss advanced learning concepts such as imbalanced data streams, novelty detection, active and semi-supervised learning, complex data representations and structured outputs. The paper concludes with a discussion of open research problems and lines of future research.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Fusion - Volume 37, September 2017, Pages 132-156
Journal: Information Fusion - Volume 37, September 2017, Pages 132-156
نویسندگان
Bartosz Krawczyk, Leandro L. Minku, João Gama, Jerzy Stefanowski, MichaŠWoźniak,